【锚点】这一讲钉一个【因果推断】判断：【观察性研究】不能靠【p<0.05】和【置信区间】自证清白；【未观测混杂】需要被量化成可检验的强度阈值。 【显式】E-value（VanderWeele & Ding, 2017）回答：一个未观测混杂因素，若同时关联【暴露】和【结局】，至少需要多强的风险比，才能把观察到的关联解释到零。 【流程节点链路】起点：观察数据里看到【RR=2.0】 → 中间节点：假设存在未观测混杂 U → 中间节点：U 同时影响暴露与结局 → 终点：若 U 的暴露关联和结局关联都 ≥3.41，则原效应可被抹平。 【隐式】公式不是装饰：点估计 RR 的 E-value = RR + sqrt(RR(RR-1))。RR=2.0 时，E=2+sqrt(2)=3.414；RR=1.5 时，E=1.5+sqrt(0.75)=2.366。数值越大，说明结论对未观测混杂越『敏感』。 【细微】很多人只看点估计，却漏掉置信区间下限。若 95% CI 下限是 1.2，则 E-value for CI = 1.2+sqrt(1.2×0.2)=1.69。它回答的不是『效应有多大』，而是『多强的混杂能推翻下界』。 【极难发现】E-value 的陷阱在于它容易被读成『安全证书』。它只检验【单一未观测混杂】在风险比尺度上的对称强度，不检验混杂的分布、测量误差、时间顺序、选择偏倚或中介误控。把 E-value=3.4 读成『几乎不可能有混杂』，是把【稳健性指标】误读成【因果证明】。 【结论】在文献综述里，E-value 的价值不是替代 DAG，而是把『可能有混杂』这句空话，变成可比较、可反驳的数字：一篇 RR=1.8、CI 1.2–2.7 的研究，点 E-value=3.0，CI E-value=1.69；另一篇 RR=1.2、CI 1.0–1.5 的研究，点 E-value=1.69，CI E-value=1.0。前者更『耐混杂』，但不等于更真。 值得辩论的问题：E-value 应该成为观察性因果研究的标配报告项，还是会被滥用成新的『显著性门槛』？