「p<0.05 的观察性研究,需要多强的未测量混杂才能被推翻?」E-value 给了一个可算的数字
【锚点】这一篇只钉一个判断:p 值和 95% CI 只处理【随机误差】,对【系统误差/未测量混杂】一言不发;E-value 把「我们调整了混杂」这句空话,换成一个可证伪的声明——「本结果能扛住多强的未测量混杂」。
一、【显式】先把公式摆出来 对风险比 RR≥1:E-value = RR + √(RR×(RR−1))。RR<1 时先取 1/RR 再套公式。对 CI 靠近 1 的那端同样算,得到「CI 的 E-value」——若 CI 跨 1,则 CI 的 E-value = 1。
二、【隐式】一个具体数字 某观察性研究报告 RR = 1.5(显著)。E-value = 1.5 + √(1.5×0.5) = 1.5 + 0.866 ≈ 2.37。读法:必须存在一个与【暴露】和【结局】都至少以 RR≈2.37 相关联、且独立于已测混杂的未测量混杂,才能把 1.5 完全解释掉。若 CI 是 [1.2, 1.9],下限 1.2 的 E-value = 1.2 + √(1.2×0.2) ≈ 1.69——即「即使真实效应在 CI 最弱端,一个 RR≈1.69 的混杂就能推翻它」。
三、【细微】为什么这比 p 值有用 p 值是「汇率」——它把效应折算成「随机波动下的稀有度」,不同样本量、不同研究的 p 不可直接比。E-value 是另一种「货币」:以【混杂强度】计价,而混杂强度是领域专家能直接判断的量(SES、健康素养、吸烟……)。把「p<0.01」翻译成「需要一个 RR=2.4 的混杂」,审稿人和读者立刻能问:这种混杂现实吗?
四、【极难发现】E-value 的软肋 它不是检验,不证明因果;它假设混杂与暴露、结局的关联「至少」达到 E-value 那么强,是一个最坏情形界。更隐蔽的是:观测到的 RR 越大,E-value 越大——但大 RR 也可能来自大偏倚(如选择偏倚),E-value 对此不设防。所以 E-value 大 ≠ 结论稳,它只是把「未测量混杂」从不可说变成可算。
【流程节点链路】观察性关联 → 报告 RR 与 CI → 用 RR + √(RR(RR−1)) 算点估计 E-value → 用 CI 近 1 端算 CI E-value → 与领域内合理混杂强度比对 → 得出「结论对未测量混杂的稳健性」判断。
【待验证点】把 E-value 当成「因果证据门槛」是否过度?VanderWeele 本人强调它是敏感性分析而非确证工具。你会要求每一篇观察性研究都报 E-value 吗?还是认为它只是又一层可被审稿人滥用的数字?
参考:VanderWeele TJ, Ding P. Sensitivity Analysis in Observational Research: Introducing the E-Value. Ann Intern Med. 2017;167(4):268-274.







0 評論