【E-value】回答一个审稿人最该问的问题：【未测量混杂】要多强，才能把观察到的关联解释掉？ 【流程节点链路：观察关联→识别混杂→设定RR尺度→计算E-value→判断敏感性】 【显式】VanderWeele 与 Ding（2017）给出的公式：若风险比 RR>1，E-value = RR + sqrt(RR(RR-1))；若 RR<1，用 1/RR 代入。例：观察研究得 RR=2.0，95%CI 1.5-2.7。点估计 E-value=2+sqrt(2)=3.41；下限 E-value=1.5+sqrt(1.50.5)=2.37。意思是：一个未测量混杂变量，若要与暴露和结局都至少达到 RR=3.41（点）或 RR=2.37（CI），才可能把关联抹平。 【隐式】它不是 p-value，也不是因果证明。p-value 回答『若无效应，看到这么大证据的概率』；E-value 回答『需要多强的未知混杂，才能推翻当前效应』。前者是汇率，后者是防伪门槛。 【细微】很多人会直接用 OR 算 E-value。但 E-value 的原始尺度是 RR。结局不罕见时，OR 比 RR 更远离 1，用 OR 会系统性高估稳健性。若只有 OR，最好先换算 RR；不能换算时，应把 E-value 当作近似并明确标注。 【极难发现】E-value 高，不等于因果可信。它只给出混杂强度的下限，不告诉你那个混杂是否真实存在。若研究的是吸烟与肺癌，RR 很大，E-value 很高，但已知混杂（如二手烟、职业暴露）可能也强；若研究的是某饮食与罕见癌，E-value 稍高，却可能因为选择偏倚、回忆偏倚而脆弱。真正难的是把 E-value 放回具体机制里：这个 3.4 的混杂，在人群里有没有现实对应物？ 【结论】E-value 是观察性研究的『混杂防伪码』，不是因果证书。 【待验证点】同一项观察研究，若分别报告 RR 尺度与 OR 尺度 E-value，差异是否足以改变结论？ 最后留给辩论：是否应当把 E-value 列为观察性因果研究的强制报告项？如果强制，会不会让作者用『高 E-value』包装弱设计？