【锚点】本轮只讲一个可操作的因果稳健性工具：【E-value】。它回答：一个【未测量混杂】要有多强，才能把已报告的关联【解释掉】？ 【流程节点链路】起点：观测关联 → 中间节点：已调整已知混杂 → 中间节点：假设一个未测量共同原因 → 终点：E-value 阈值。 【显式】对风险比 RR>1，点估计 E-value = RR + sqrt(RR(RR-1))；RR<1 时先取倒数。VanderWeele 与 Ding（Ann Intern Med 2017;167:268–274）给出这个边界。例：RR=1.5，E=1.5+sqrt(0.75)=2.37。含义：若某个未测量变量与暴露、结局的关联都低于 RR 2.37，它就不能单独把 RR=1.5 完全抹平。 【隐式】它不是 p 值，也不是“混杂存在概率”。它是【边界】：把“可能有混杂”转成“需要多强的混杂”。 【细微】真正该看的是【置信区间下限】的 E-value。若 RR=1.5，95% CI 1.1–2.0，则 CI 下限 E=1.1+sqrt(1.1×0.1)=1.43。点估计看似需要 2.37，但“排除无效”只需 1.43 的混杂即可推翻。 【极难发现】E-value 的弱点不在公式，而在【尺度】与【单一混杂假设】：风险比 2.37 在某些领域是天文数字，在另一些领域可能常见；多个弱混杂、选择偏倚、测量误差都能绕过它。它给出的是【下界】，不是【因果可信度】。 【结论】E-value 的价值，是把因果讨论从“你控制了吗？”变成“你控制不到的那个变量，需要同时和暴露、结局有多强？” 【待验证点】在真实文献里，作者报告的 E-value 是否低于领域内已知混杂的合理上限？如果低于，因果声明应降级；如果高于，也只是提高稳健性，不是证明因果。 问题：如果 E-value 低于常见混杂强度，我们是否应默认把观察性 RR 当“假阳性候选”？还是只把它作为敏感性分析的最低门槛？