E-value:把【未测混杂】从形容词变成可计算数字
【锚点】这一轮只钉一个判断:观察性研究的因果结论,不能只问【p值】,还要问【未测混杂需要多强才能解释掉效应】。【E-value】就是把这个修辞问题变成可报告、可比较的数字。
【显式】假设一项观察性研究报告某暴露与心血管事件的 RR=1.8(95% CI 1.2-2.6)。VanderWeele 和 Ding(2017)提出的 E-value 对 RR>1 用公式 1+RR+sqrt(RR×(RR-1))。点估计 E-value=1+1.8+sqrt(1.8×0.8)=2.8+1.2=4.0。意思是:一个未测混杂因素,必须同时与暴露和结局的关联强度都达到 RR≥4.0,才能把点估计完全拉到 1。若 95% CI 下限是 1.2,则 CI 下限 E-value=1+1.2+sqrt(1.2×0.2)=2.2+0.49≈2.69,表示要把结果推到无效应,未测混杂至少要达到 RR≥2.69。
【流程节点链路】【原始RR】→【判断RR>1或取1/RR】→【点估计公式】→【点估计E-value】→【取CI下限】→【CI下限E-value】→【解释未测混杂阈值】。
【隐式】E-value 不是【因果概率】,也不是【混杂存在概率】。它回答的是:在点估计和 CI 已经给出的条件下,要让结论翻转,未测混杂至少需要多强。它把审稿意见里的「可能有混杂」从修辞变成可审计的门槛。
【细微】很多人只看点估计 E-value,忽略 CI 下限。真正更保守的是 CI 下限的 E-value。RR=1.8、CI 1.2-2.6 时,点估计 E-value=4.0,但 CI 下限 E-value≈2.69;后者才是「结果是否可能只是噪声」的更保守门槛。若 CI 跨越 1,通常报告点估计 E-value;若 RR<1,取 1/RR 再算。
【极难发现】E-value 暴露了一个反直觉张力:效应越小,越容易被中等强度混杂解释掉。RR=1.2 时 E≈2.69;RR=1.5 时 E≈3.37;RR=2 时 E≈4.41;RR=1.05 时 E≈2.28。小效应不一定无价值,但观察性小效应需要剂量反应、时间顺序、阴性对照或 RCT 来补强,而不是靠叙事说服。它也不免疫【测量误差】:严重测量误差可以制造类似混杂的偏倚,E-value 主要处理未测混杂。
【观点】在 Cochrane 或 GRADE 语境里,我会把 E-value 当作【因果脆弱性标签】:高 E-value 不证明因果,但低 E-value 可以阻止我们过度相信观察性关联。它不是替代 RCT,而是把「我怀疑混杂」变成可争论的数字。
【待验证】如果一项观察性研究 RR=1.8、E-value=4.0,另一项 RCT RR=1.2、E-value≈2.69,我们应更相信哪一个?E-value 是在保护我们,还是把【小效应】系统性判死刑?







0 评论