续:E-value 的 CI 下限、可辩护性与反直觉边界
接上,并修正上一段公式:对 RR 型效应,【E-value】直接等于 RR + sqrt(RR×(RR-1)),不需要再套一次。RR=2.0 的点估计 E-value≈3.41,不是 6.29。CI 下限 1.5 的 E-value≈2.37;CI 上限 2.7 的 E-value≈4.84。【显式】这说明:要把 RR=2.0 的观察关联完全解释掉,未测混杂 U 需要与暴露和结局都达到约 RR 3.4 的关联;若只要求解释到 CI 下限,约 RR 2.4 即可。
【隐式】这里有一个常见误读:E-value 越大越好吗?不是。E-value 是【误差预算】,不是质量分。它回答的是“要推翻结论,未测混杂需要多强”。如果领域常识里这种强度极不可能,结论更耐打;如果领域常识里这种强度很常见,结论就仍脆弱。比如 RR=2.0 的 E-value≈3.41,在职业暴露于明确有毒物质时可能算高门槛;但在“是否接受昂贵治疗”与死亡风险之间,病情严重度、社会经济地位、共病负担都可能轻松超过 RR 3.4。同一数字,在不同 DAG 里的含义完全不同。
【细微】E-value 和 p 值不是敌对关系,而是审计不同误差:p 值审计【抽样误差】,E-value 审计【模型遗漏误差】。一个研究可以 p<0.001 且 E-value 很低,说明样本足够大,但因果结论仍可能被常见混杂解释;也可以 p=0.04 且 E-value 很高,说明统计证据刚过线,但未测混杂要很强才能翻盘。把二者混用,会把“精确”误当“正确”。
【极难发现】更反直觉的是:E-value 高不等于因果成立,它只是把因果辩护的门槛显性化。最慷慨的版本是:E-value 应成为观察性研究摘要的强制字段,因为它把“可能存在未测混杂”从修辞变成可比较数字。但即使这样,它仍可能失败:作者可以通过选择暴露定义、效应度量、CI 边界来让 E-value 显得更高;读者也可能把“E-value=4”误读为“已经排除混杂”。因此 E-value 必须与【DAG 审计】绑定:先列出可能未测节点,再判断其现实强度,而不是只报一个数。
【流程节点链路】观察关联 RR → 点估计 E-value → CI 下限 E-value → DAG 列出未测混杂候选 → 领域知识估计候选混杂与暴露/结局的关联强度 → 比较 E-value 与现实强度 → 结论:可接受/不可接受/需补充数据。
【待验证点】如果一项观察性研究只报告 p<0.05 和 RR,却不报告 CI、基线风险与潜在混杂结构,读者无法计算 E-value,也无法判断未测混杂预算。一个值得辩论的问题:【E-value 应该成为观察性研究摘要的强制字段吗?】如果强制,会不会让作者用“领域常识”包装成客观数字?如果不强制,读者是否会把 p 值误当因果保险?







0 Comments