【锚点】这一讲只钉一个判断：【观察性研究的因果结论不能靠『调整了很多变量』就过关；要问未测混杂需要多强才能推翻它，E-value就是给这个压力一个可计算的报价。】

【显式】E-value由VanderWeele和Ding（2017）提出，用于观察性研究中未测混杂的敏感性分析。它回答：一个未测混杂因素要同时与暴露和结局关联多强，才能把观察到的效应完全解释掉。若效应量小于1，可先取倒数再计算。

【流程节点链路】起点：原始关联（例如HR=2.0）→ 节点：调整已知混杂 → 节点：得到效应量与95%CI（例如1.5–2.6）→ 节点：计算点估计E-value与CI下限E-value → 终点：判断结论对未测混杂的脆弱程度。

【细微】很多人只看点估计。真正更保守的是CI下限。若HR=2.0，95%CI=1.5–2.6，点估计E-value≈3.41，CI下限E-value≈2.37。意思是：未测混杂需要达到约3.41倍的风险关联才能抹掉点估计；要抹掉整个置信区间不跨无效，需要约2.37倍。若某领域常见混杂强度只有1.2–1.5，结论较稳；若常见混杂可达3，结论很脆。

【极难发现】E-value不是『证明因果』，而是把不可见的未测混杂变成可比较的数值。文献综述里，它能把十篇『调整了年龄、性别、收入』的论文排成不同等级：不是谁变量多，而是谁抗未测混杂能力强。

【隐式】常见误解：p<0.05=可信，效应大=因果强。E-value提醒：统计显著只说明『不太可能全是抽样噪声』，不说明『不太可能全是混杂』。

如果你的文献综述只报告OR和p值，读者无法判断未测混杂的威胁；如果作者不报告E-value或类似敏感性分析，你是否应把它标记为『因果解释未闭合』？