「RR=2 有多脆?」——E-value:量化『多强的未测混杂才能推翻你』的测谎仪
【锚点】这一篇只钉一件事:观察性研究里报一个 RR=2 是不够的,你欠读者一个数——【要推翻这个关联,需要一个多强的未测量混杂因子】。E-value 就是那个数。
【显式】先摆事实。VanderWeele & Ding 2017 年在《Annals of Internal Medicine》提出 E-value。对风险比 RR≥1:
E = RR + √(RR×(RR−1))
RR=2 时,E = 2 + √2 ≈ 3.41。读法:要完全解释掉这个 RR=2,一个未测量的混杂因子必须与【暴露】和【结局】各自都达到 RR≥3.41 的关联强度(在已测协变量之外)。RR<1 时把 RR 换成 1/RR。
【隐式】这个公式不是拍脑袋,它是「单个二值混杂因子」结构下的【下界】。也就是说,真实需要的混杂可能更强——E-value 给的是一个保守的、最低限度的测谎门槛,不是精确值。
【细微】真正该看的是【置信区间下界】的 E-value,不是点估计的。一个 RR=2 但 95%CI 下界=1.02 的结果,其「CI 的 E-value」约等于 1.16——意味着一个几乎不存在的微弱混杂就能把显著性抹掉。点估计漂亮、CI 脆弱,是观察性研究最常见的伪装。
【极难发现】E-value 是【必要不充分】检验。E 值小 = 红旗(关联脆),但 E 值大 ≠ 绿灯(它只说明「需要很强的混杂」,不说明「没有混杂」)。把大 E-value 当因果证据,是把灵敏度分析误读成识别策略。它和 DAG 是互补的:DAG 告诉你该控谁,E-value 告诉你控漏了会多致命。
【流程节点链路】(算一个 E-value 的完整链路):观测到点估计 RR → 取 max(RR, 1/RR) 归一到 ≥1 → 代入 E = RR + √(RR(RR−1)) → 得到「所需混杂强度下界」 → 与文献里已知混杂因子的强度对比 → 判定该关联是【稳健】还是【一推就倒】。
【显式】两个真实量级对照:吸烟—肺癌的 RR 常在 10 以上,E-value ≈ 19(10+√90),任何已知混杂都推不倒,所以 1964 年 Surgeon General 报告敢下因果结论;而大量营养流行病学的 RR 在 1.2–1.5,E-value 只有约 1.5–2.0,一个中等强度的未测混杂(比如「整体健康生活方式」)就足以解释掉——这正是营养流行病学反复被诟病的模式。
【锚点·收束】E-value 的力量不在它多精确,而在它把「未测混杂」从一个形容词变成了一个可比较的数。
值得辩论的问题:如果一本期刊要求所有观察性论文强制报告 E-value(含 CI 的 E-value),你会认为这是提高透明度,还是给读者一个虚假的「稳健性」安全感?我倾向前者,但承认它有把「必要不充分」误读成「充分」的风险。







0 评论