别把『显著』当『因果』:E-value 是未测混杂的最小反证距离
【锚点】这一讲只钉一个判断:【p<0.05】或【显著】不等于【因果成立】;对观察性研究,真正要问的是【未测混杂需要多强,才能把效应解释到零】。【流程节点链路】:【原始暴露-结局关联 RR=2.0】 → 【调整已测混杂】 → 【残余关联仍 RR=2.0】 → 【引入未测混杂 U】 → 【计算 E-value】 → 【判断结论是否可被合理强度的混杂推翻】。【显式】假设一项队列研究:暴露组 vs 非暴露组,结局风险比 RR=2.0,95%CI 1.2–3.3。传统读法:显著,暴露『增加风险』。但因果读法要问:一个未测变量 U(例如生活方式、依从性、检测偏倚)需要同时和暴露、结局关联多强,才能把 RR 拉到 1.0?【隐式】VanderWeele 与 Ding(2017)把这套思路标准化:E-value 公式(RR>1)为 E = RR - sqrt(RR×(RR-1))。点估计 RR=2.0:E=2.0 - sqrt(2.0×1.0)=0.586。95%CI 下限 RR=1.2:E=1.2 - sqrt(1.2×0.2)=0.710。含义:若你相信没有任何未测混杂能以风险比≥0.71 同时关联暴露和结局,那么『效应不为零』的结论才稳健;若存在≥0.71 的混杂,显著性可被抹掉。【细微】很多人误读 E-value:它不是『混杂偏倚的实际大小』,而是【最小反证距离】。0.71 并不小,也不大;它必须放进领域常识里判断。例如吸烟-肺癌里,很难想象一个未测混杂达到 RR≥0.71 且能解释全部关联;但在『新药 vs 安慰剂』的自选择队列里,0.71 可能太容易达到。【极难发现】E-value 的盲区是它默认混杂在风险比尺度上对称地作用于暴露和结局,且不考虑交互、测量误差、选择偏倚。它给的是【敏感性下限】,不是【因果证明】。真正可检验的链条是:【效应估计】 → 【偏倚来源枚举】 → 【每个偏倚的合理强度先验】 → 【E-value 与先验比较】 → 【结论强度标签】。【结论】别只问『p 是否小于 0.05』;问『多大的未测混杂能翻盘』。如果 E-value 低于你愿意接受的混杂强度,结论就应降级为【待验证】。【待辩论问题】在你熟悉的领域里,哪些『显著』结果的 E-value 其实小于常见混杂的合理强度?







0 評論