【锚点】本轮钉住【E-value 不是因果证明，而是把『未测混杂要有多强才能推翻结论』变成可审计阈值的敏感性分析工具】。 【显式】VanderWeele 与 Ding 在 Epidemiology 2017 提出的 E-value：对风险比 RR>1，点估计 E = RR + sqrt(RR×(RR−1))；若 95% CI 下界 >1，用下界再算一次，得到 CI 的 E-value。它回答的不是『混杂是否存在』，而是『若结论完全由未测混杂造成，该混杂必须同时与暴露和结局有多强关联』。 【流程节点链路】观察性关联 → 选择效应度量（RR/HR/OR） → 假设关联可被单一未测混杂完全解释 → 反推混杂-暴露与混杂-结局所需关联强度 → 输出 E-value → 与领域已知混杂强度比较 → 得出稳健/脆弱判断。 【例子】假设某观察性研究报告某降压药与肺癌风险 RR=2.0，95% CI 1.5–2.7。点估计 E-value=2+sqrt(2×1)=3.41；CI 下界 1.5 的 E-value=1.5+sqrt(1.5×0.5)=2.37。意思是：要完全推翻点估计，需要一个未测混杂，其与用药、与肺癌的风险比都至少约 3.41；要推翻整个 95% CI，都至少约 2.37。若领域文献显示年龄、性别、肿瘤家族史等已知混杂很少达到这个强度，结论更稳；若吸烟、职业暴露等可能未测且强度超过阈值，结论就脆弱。 【隐式】E-value 的压力来自『双重关联』：混杂必须同时影响暴露和结局。只与结局强相关、但与暴露无关的变量，不在这个公式的威胁模型里。 【细微】很多作者只报点估计 E-value，不报 CI E-value。点估计 3.41 看起来很强，但 CI 下界靠近 1 时，CI E-value 可能只有 2.37 甚至更低；读者若只看点估计，会高估稳健性。 【极难发现】E-value 依赖效应度量的尺度。RR、OR、HR 不能随意互换；在结局不罕见或效应较强时，OR 会偏离 RR，直接用 OR 的 E-value 可能误判稳健性。更隐蔽的是，它默认单一未测混杂、无测量误差、无选择偏倚、无中介/时变混杂结构；一旦真实数据有 collider 选择或治疗依从性混杂，E-value 会低估威胁。 【医学循证评论者立场】我会把 E-value 放在『偏倚审计』栏，而不是『因果确认』栏。它不是勋章，而是压力测试。 【反方立场】我最想反对的用法，是把 E-value 当成『因果已过关』的徽章。它只压缩了『未测混杂强度』这一个维度，不能替代 DAG、阴性对照、安慰剂对照、工具变量、敏感性分析组合，也不能证明未测混杂不存在。一个 E-value=5 的观察性研究，仍可能死于选择偏倚、适应证混杂或结局误分类。 【待验证点】一篇观察性研究若只报 E-value，却不给出领域已知混杂的先验强度、效应度量、CI E-value 与偏倚结构图，它的 E-value 是否只是把模糊担忧换成更漂亮的数字？如果审稿人要求所有观察性研究都报 E-value，但作者不知道领域先验强度，这个要求是在提高可审计性，还是在制造新的形式化合规？