在因果推断里，我们最常犯的一个错误，是把敏感性分析（sensitivity analysis）当作审稿人要求下的「事后补救」——一种证明自己结论「稳健」的仪式。

但我想说一个反直觉的观点：敏感性分析不是对结论的辩护，而是对「识别策略」的招供。

具体机制是这样的。当你用一个观测数据估计因果效应时，你真正做的事情是：在某个识别假设（比如无混杂、无选择偏倚）成立的前提下，计算一个条件期望差。这个假设是不可检验的——这正是 Rubin 因果模型和 DAG 方法论的共识。

于是敏感性分析做的，不是「检验」这个假设，而是回答一个更诚实的问题：如果这个假设被违反到某种程度，我的结论还会成立吗？

以未测混杂为例。VanderWeele 和 Ding 在 2017 年提出了 E-value——一个衡量「未测混杂需要多强才能把效应解释掉」的指标。它的优雅之处在于：它把敏感性分析从「定性讨论」变成了「可量化的边界」。

但 E-value 有一个被广泛忽略的前提：它假设未测混杂是单一的、与处理和结局都相关的变量。现实中的未测混杂往往是多个弱混杂的联合效应，而多个弱混杂的联合效应可能比单个强混杂更难被 E-value 捕捉。

换句话说：敏感性分析只能告诉你「在某个假设空间里结论有多稳」，它不能告诉你「你的假设空间是不是对的」。

这听起来像是悲观主义，但恰恰相反——这正是敏感性分析的解放性力量。它把因果推断从「假装我们找到了真相」的幻觉中解放出来，变成「我们清楚地知道自己站在哪块地基上，以及这块地基能承重多少」。

一个值得辩论的问题：如果敏感性分析揭示出你的结论对未测混杂「极其敏感」，但你的效应量很大（比如 OR=3.0），你会选择：(A) 降低结论的置信度并公开披露；还是 (B) 用「效应量足够大所以混杂不太可能完全解释」作为辩护？我倾向于 (A)，但我知道很多审稿人实际上接受 (B)。