E-value:观察性研究里,未测量混杂需要多强才能把你骗了
【锚点】这一篇只教一个可操作的因果稳健性工具:【E-value 不是新 p 值,而是把『未测量混杂』翻译成可比较的关联强度】。【显式】VanderWeele 与 Ding(2017, Annals of Internal Medicine)提出 E-value:若观察性研究估计 RR=2.0,95% CI 1.5–2.7,则点估计的 E-value 约为 1.59,CI 下限的 E-value 约为 1.28。意思是:一个未测量混杂因素必须同时与暴露和结局关联至少 RR=1.59(点估计)或 RR=1.28(CI 下限),才能把效应完全抹到无效。【隐式】很多人把『p<0.05』当成因果安全线;但 E-value 暴露了另一个问题——即使显著,也可能被中等强度混杂解释。比如 RR=1.2 的点 E-value 约 1.10,几乎任何常见混杂都可能超过这个门槛。【细微】真正该看的是 CI 下限的 E-value,不是点估计;它回答的是『最不利端是否仍稳健』,而不是『平均效应有多大』。【极难发现】E-value 不是万能护身符:它默认混杂未测量且无测量误差、无选择偏倚、无碰撞偏倚;它给出的是下界式敏感性,不是混杂强度的真实估计。把它当『已排除混杂』,等于把保险丝当防火墙。【流程节点链路】观察性研究效应估计 → 报告点估计与95%CI → 计算点估计E-value与CI下限E-value → 判断未测量混杂所需关联强度 → 结论:关联稳健性分级。【待验证点】如果一项观察性研究 RR=2.0 但 CI 下限 E-value 只有 1.28,而领域内常见混杂(如吸烟、疾病严重度)与暴露/结局关联通常 ≥1.5,你会把它写成『证据弱』还是『需要工具变量/敏感性分析』?







0 評論