E-value
未测量混杂的敏感性分析：由 HR / OR / RR 与置信区间算出点估计与置信限的 E 值，画出「多强的混杂才解释得掉」的等值线，并拿已测量混杂作基准对照。
效应估计
患病率 5.0% < 15%，HR 近似为 RR： 1.84 (1.52–2.23)
基准对照
偏倚因子 1.22；扣掉这样一个混杂后剩下 1.51。
不足以解释掉这个关联 —— 需要比它更强的未测量混杂才行。
图与导出
1750 × 1438 px · 148.2 × 121.7 mm
HR = 1.84 直接用作 RR（罕见结局）。
报告参考
The observed association (HR = 1.84 (95% CI 1.52–2.23)) had an E-value of 3.08 for the point estimate and 2.41 for the confidence limit closest to the null. That is, an unmeasured confounder associated with both the exposure and the outcome by a risk ratio of 3.08-fold each, above and beyond the measured covariates, could explain away the point estimate, but weaker joint confounder associations could not; to shift the confidence interval to include the null, such a confounder would need associations of 2.41-fold each.
按 VanderWeele & Ding (2017) 的模板填数，供改写参考。
说明
- E 值是什么
- 一个未测量混杂需要同时与暴露和结局关联到多强（风险比尺度、且在已测量 协变量之上），才足以把观察到的关联完全解释掉。E 值越大，结论越不容易被未测量混杂 推翻。它不证明没有混杂，只说明推翻它需要多大的代价。
- 两个 E 值
- 点估计的 E 值回答「把效应解释到无效值需要多强」；置信限的 E 值用距无效值最近的那个限，回答「把统计显著性也抹掉需要多强」。审稿人问的通常是后一个。区间本来就跨过 无效值时，后者定为 1。
- 尺度换算是必须的
- E 值定义在 RR 上。结局罕见（约 < 15%）时 HR 与 OR 都直接近似 RR；结局常见时必须先 换算（
OR → √OR；HR → (1 − 0.5^√HR) / (1 − 0.5^√(1/HR))）。 跳过这一步会高估稳健性 —— 这是用 E 值最常见的错误。 - 为什么要画那条曲线
- 两个数容易让人以为混杂必须「两边一样强」。实际上曲线上的每一组 (RR暴露, RR结局) 都足以解释掉这个关联，E 值只是其中两边相等的 那一点，也是曲线的最低点。与暴露强相关、与结局弱相关的混杂在流行病学里更常见， 那种组合落在曲线右下方，同样推翻结论。
- 基准对照
- E 值本身没有量纲感 —— 2.1 算大还是算小，取决于这个领域里的混杂通常有多强。所以拿一个 已测量到的混杂（吸烟、BMI、社会经济地位）作尺子：把它与暴露、与结局的关联强度填进去， 看一个同等强度的未测量混杂够不够推翻结论。这也是 VanderWeele 与 Ding 在原文里建议的用法。
- 表里的两种特殊行
- 参照组（估计值写死为 1、没有区间）不参与计算，但行留着，好和原表 对行号。CI 那一列等于 1 的行，是置信区间本来就跨过无效值 —— 不需要任何未测量混杂即可归于无效。
- 导出
- 要矢量就用 SVG，可缩放、可在 Illustrator 里改，多数期刊直接接收。PNG、TIFF、PDF 按选定 dpi 出位图，三者都写入分辨率信息，排进 Word 或投稿系统时不会被当成 96 dpi。
- 它不适用于什么
- 线性回归的 β 与竞争风险的 SHR 都不行 —— 前者需要结局的标准差，后者没有对应的 RR 解释。
assoc_evalue()在 R 那边同样会拒绝这两类结果。 - 与 ukbflow 的关系
- 算法与
assoc_evalue()逐行对齐，同一个估计两边算出来 是同一个数。「整张结果表」模式对应它的结果模式：assoc_coxph()/assoc_logistic()的输出直接粘进来，患病率会从n_events/n推断。 - 出处
- VanderWeele TJ, Ding P (2017). Sensitivity Analysis in Observational Research: Introducing the E-Value. Annals of Internal Medicine, 167(4):268–274. DOI 10.7326/M16-2607.
- 本地处理
- E 值吃的是三个汇总数字，不含任何个体数据。计算、绘图与导出全在浏览器内完成。