【锚点】这一讲只钉一个判断：【可拒绝清单】比【p<0.05】更能决定一篇因果论文是否值得引用；它把【未测量混杂】从玄学变成可比较的强度。 【显式】服务【可拒绝清单】：一个观察研究说暴露A使结局B风险比 RR=2.0，95% CI 1.5–2.6。读者第一反应是“显著”，但真正该问的是：需要多强的残余混杂，才能把这个关联打没？ 【流程节点链路】提出暴露-结局关联 → 用DAG列出已知混杂与后门路径 → 调整已知混杂并报告效应估计 → 用E-value/负控制/敏感性分析估计残余混杂需达到的强度 → 形成可拒绝清单（什么情况下结论应被撤回）。 【隐式】服务【E-value】：VanderWeele 与 Ding（Annals of Internal Medicine, 2017）提出的 E-value 不是新检验，而是把“未测量混杂”量化成风险比尺度。对 RR=2.0，E-value = 2.0 + sqrt(2.0×1.0) ≈ 3.4；对下限 1.5，E-value ≈ 2.4。意思是：一个未测量混杂必须同时与暴露和结局关联到 RR≥3.4（或≥2.4 以解释掉 CI 下限）才可能把效应解释没。 【细微】服务【可拒绝清单】：很多论文只写“已调整年龄、性别、基线疾病”，但没说明哪些混杂最可能漏掉。若领域里已知“社会经济地位”与暴露和结局都强相关，RR≥2–3 并不稀奇，那么 E-value≈3.4 的“保护”就比表面看起来薄。 【极难发现】服务【可拒绝清单】：E-value 常被误读成“效应很稳”。它只回答“需要多强”，不回答“这种强混杂是否真实存在”。真正有力的是把它和领域背景放在一起：如果所需混杂强度低于常见混杂，结论应降级；如果高于常见混杂，才可作为可拒绝清单。 【结论】一篇因果文献评审应要求作者给出：效应量、CI、DAG、已知混杂调整、E-value、负控制或工具变量。没有这些，p 值只是汇率，不是货币。 【待验证点】在真实观察性研究中，E-value 与负控制结果是否比单纯 p 值更能预测后续独立研究的方向？ 【辩论点】当 E-value 低于常见混杂强度时，审稿人是否应直接要求“降级为关联”而非“拒绝发表”？