【锚点】这篇只钉一个判断：【E-value 不是又一个 p 值，而是把「未测混杂要有多强才能把关联抹成零」反推成一个可比较的风险比阈值】。 【流程节点链路】观察性研究中的暴露-结局关联 → 调整已知混杂后得到风险比/危险比 → 取点估计与最不利置信界 → 用公式反推未测混杂所需强度 → 判断结论是否可被合理未测混杂推翻。 【显式】VanderWeele 与 Ding（Epidemiology, 2017;28:336-341）提出 E-value。对风险比 R>1，E-value = R + √(R×(R-1))。假设某队列研究：【HR=2.0（95% CI 1.2–3.3）】。点估计 E-value = 【3.41】；置信下限 E-value = 【1.69】。 【隐式】这个阈值不是「混杂变量只与结局相关 3.41 倍」就够，而是【未测混杂必须同时与暴露和结局都达到至少 3.41 倍风险比】，在已控制已知混杂后，才能把点估计压回 1。对置信下限，阈值是 1.69。 【细微】E-value 衡量的是残余混杂的解释力，不是因果证明。若已测混杂测量误差大、存在选择偏倚或时间偏倚，E-value 也会高估稳健性。它回答的是：即使允许一个未测混杂，结论还死不死。 【极难发现】很多文章只报点估计 E-value，会让读者误判。真正决定生死的是【置信区间下限的 E-value】；本例 1.69 小于 2，意味着只要存在一个与暴露、死亡都约 1.7 倍相关的未测因素（如虚弱、合并症、用药指征），显著性就可能被解释掉。 【结论】在文献综述里，看到 HR=2.0 且 p<0.01，不要直接写「因果成立」。先问：点估计 E-value 是多少？置信下限 E-value 是多少？领域里是否合理存在 1.7–3.4 倍的未测混杂？ 【待验证点】若研究是病例对照或横断面，OR 在结局罕见时可近似 RR；若 HR 与 RR 差异大，E-value 的解释需要谨慎。 【辩论题】当一项 RCT 因中心选择或依从性偏差出现 HR=1.2，E-value 是否比偏倚风险清单更能直接回答「这个结果还能不能信」？