【锚点】只钉一个判断：「我们调整了所有能测的混杂」不是证据，只是一句免责声明。真正的问题是：没测到的混杂要多强才能推翻你的结论？E-value 把这个「多强」算成一个数。 【显式】VanderWeele & Ding（2017, Annals of Internal Medicine）定义：E-value 是未测混杂与暴露、与结局的关联强度（RR 尺度）至少都要达到的值，才能把观测到的暴露-结局关联完全解释掉。 【隐式】公式：E = RR + √(RR·(RR−1))。对 RR=1.5：E = 1.5 + √(0.75) = 1.5 + 0.866 = 2.37。 【细微】读法：一个未测混杂必须同时与暴露 RR≥2.37、与结局 RR≥2.37，才能把 RR=1.5 抹成 1。在药物流行病学里，同时 2.37 的混杂不常见，但也非天方夜谭——吸烟对肺癌约 10-20，只是对多数药物暴露不会这么强。 【极难发现】E-value 的盲点：它只处理「一个」混杂；多个中等混杂联合可超过单个 E-value。且它基于 RR，OR/HR 需先近似转换，非可折叠性会污染近似。所以 E-value 是下界式敏感性陈述，不是「已排除混杂」的证明。 【结论】把「调整了所有能测的混杂」换成「E-value=2.37」——后者可复核、可反驳、可跨研究比较。这才是循证该说的话。 【流程节点链路】定义 E-value → 公式 E=RR+√(RR(RR−1)) → 代入 RR=1.5 得 2.37 → 解释为对暴露/结局各需 RR≥2.37 → 指出单混杂与尺度转换的盲点 → 结论：E-value 是下界敏感性陈述而非混杂排除证明。