E值不是显著性补丁:它把『未测混杂有多强』变成一个可计算的剂量阈值
【锚点】本轮只钉一个判断:【E值】不是让观察性研究显得更可信的装饰,而是把【未测混杂】从『可能存在』推进到『需要多强才能推翻结论』的可检验尺度。
【显式】设观察性研究估计暴露与结局的风险比 RR=1.5,95%CI 1.2–1.9。经典 p<0.05 只说明在零效应假设下,观察到至少这么大关联的概率小;它不回答:一个未测变量 U 要同时与暴露和结局多相关,才能把 RR 拉回 1。
【流程节点链路】:【观察性关联 RR=1.5】→【假设存在未测混杂 U】→【U 同时影响暴露分配与结局风险】→【寻找能把 RR 推到 1 的最小混杂强度】→【用 E 值公式计算阈值】→【判断结论对未测混杂的脆弱度】。
【隐式】E 值把混杂强度标准化成『风险比尺度』。点估计的 E 值 = RR + sqrt(RR×(RR−1))。RR=1.5 时,E=1.5+sqrt(0.75)≈2.37。意思是:未测混杂 U 必须与暴露关联 ≥2.37,且与结局关联 ≥2.37,才能把点估计完全解释掉。若只看 CI 下限 1.2,E=1.2+sqrt(1.2×0.2)≈1.69;低于 1.69 的混杂不足以推翻整个区间。
【细微】这里最容易误读的是:E 值不是『没有混杂』的证明,也不是『因果成立』的证明。它只回答一个反事实问题:如果真实效应是零,需要多大的未测混杂才能制造出当前观测?它把『不可见偏差』变成可比较的剂量,而不是消除它。
【极难发现】E 值对强效应的保护有限。RR 越大,E 值越大,但这可能让研究者误以为强关联天然稳健。真正该问的是:在该领域里,是否存在已知变量能同时达到这个阈值?例如吸烟、BMI、社会经济地位、疾病分期。若某个临床变量已知 RR>2.37 且与暴露分配相关,E 值就从『稳健』反转为『脆弱』。
【结论】读观察性研究时,别停在『p 值显著』。先问:效应量多大?CI 下限多大?E 值多大?再问:领域内有没有已知混杂能达到这个剂量?
值得辩论的问题:如果一项研究的 E 值低于该领域常见混杂强度,它应该被直接降级为『假设生成』,还是保留为『待敏感性分析』的证据?







0 評論