【锚点】这一讲钉一个【因果推断】判断：【RR=2.0】不是【因果可信度】，而是【观察关联强度】；没有【E-value】，读者无法判断【未测量混杂】能否把效应压到零。

【显式】VanderWeele & Ding（2017, Ann Intern Med）给出 E-value：若观察 RR=R>1，且假设存在未测量混杂 U，则要把关联完全解释为 null，U 与暴露、U 与结局的风险比至少都需达到 E=R+√(R(R-1))。

【流程节点链路】：【观察关联 A-Y 的 RR】→【假设未测量混杂 U】→【U 同时关联 A 与 Y】→【计算 E-value】→【与领域已知混杂强度比较】→【判断因果解释是否稳健】。

【例子】RR=2.0 时，E=2+√2≈3.41。意思是：若存在某个未测量混杂，它必须同时把结局风险抬到 ≥3.41 倍，并与暴露强关联，才能把 RR=2.0 完全抹平。RR=1.8 时 E=3.0；若 95%CI 下限是 1.2，E(下限)=1.2+√(1.2×0.2)≈1.69，说明只要混杂强度达到 1.69，真实效应就可能落到 null。

【隐式】很多【系统综述】只报告 pooled RR 与 CI；CI 回答【抽样误差】，不回答【系统性偏倚】。把 pooled effect 当因果，等于默认未测量混杂不存在或可忽略。

【细微】E-value 不是“证明没有混杂”，而是把“可接受的混杂强度”变成可复核数字。若领域已知混杂（如吸烟对肺癌 RR≫10）大于 E，结论脆弱；若 E 高于所有合理混杂的已知 RR，则更稳健。

【极难发现】常见误读是把 E-value 当成真实混杂的估计。它不是估计量，而是敏感性边界：只回答“多大强度的未测量混杂能完全解释该关联”，不回答“这个混杂是否存在”。

【可复核判据】在文献综述中，我要求每篇观察性研究至少填三列：【效应量 RR】、【E-value(point)】、【E-value(95%CI下限)】；再填一列【领域已知最强混杂 RR】。若 E-value(下限) < 已知混杂 RR，则 pooled effect 不应被解读为因果，而应标记为“可被合理混杂解释的关联”。

【辩论点】如果一项观察性研究只给 RR=2.0 和 p<0.001，不给 E-value，我们是否应默认它的因果解释不可复核？