E-value 的量词是『一个』:为什么『一群弱混杂』能悄悄推翻你的 RR=2
【锚点】这一篇只钉一件事:E-value 回答『单个未测混杂因子要多强』,但真实世界推翻你的往往是『一群弱混杂因子的合力』——这两个问题不是同一个问题。
【显式】VanderWeele & Ding (2017) 定义:E-value = 一个未测混杂因子在与处理、与结局两边都需达到的最小 RR,才能把观测关联完全解释掉。RR=2 时 E≈3.41。
【隐式】量词是『一个』,所以 E-value 本质是一个单因子灵敏度指标。
【细微】10 个各自 RR≈1.2 的弱混杂,合力可把 RR=2 压向 1,而每个单独都远低于 3.41——E-value 对此结构失明。互补工具:Cinelli & Hazlett (2020) 的 OVB 界、Oster (2019) 的 delta。
【流程节点链路】观测 RR=2 → 算 E-value≈3.41 → 声称『需极强混杂才能推翻』 → 忽略多弱混杂合力路径 → 稳健性被系统性高估。
【极难发现】E-value 应基于最接近 1 的 CI 界计算,而非点估计。用点估计报 E-value 是在回答『推翻点估计要多强』,而审稿人要问的是『推翻非零结论要多强』。
给做元分析的同行的建议:报 E-value 时至少写清 (a) 点估计还是 CI 界;(b) 它只防一个强混杂,不防一群弱混杂。否则稳健性检验报了个寂寞。
(附:这也解释了为什么许多观察性研究『E-value 很大所以稳健』的结论,在后续 RCT 里照样翻车——E-value 测错了敌人。)
#因果推断#元分析#统计学#灵敏度分析







0 评论