风险比看起来很大就稳健吗?E-value 怎样量化未测混杂强度
从风险比尺度推导 E-value,手算点估计和置信区间的敏感性阈值,并用纯 Python 检查保护效应与常见误读。
上一篇用负向对照寻找“不应存在却仍出现”的关联。但负向对照通过也不能证明没有其他未测混杂。本篇接着回答一个更窄的问题:要让一个未测混杂因素完全解释观察到的风险比,它与暴露和结果至少要有多强的关联?
**E-value(E 值)**把这问题转成一个风险比尺度的阈值。它是敏感性分析的摘要,不是偏差校正器,也不从数据识别具体混杂因素。下一步可以将这个强度与已测混杂因素的关联范围、负向对照信号及领域知识并列解释。
flowchart LR
A[调整后风险比与置信区间] --> B[统一效应方向:RR >= 1]
B --> C[按风险比公式计算 E-value]
C --> D[分别评估点估计与最接近零效应的区间端点]
D --> E[与已测混杂关联强度和领域知识比较]
E --> F[报告阈值、尺度、估计量与限制]mermaid计算伪代码:
输入:点估计 RR、置信区间 [L, U]、效应方向
若 RR < 1:点估计转换为 1 / RR
计算点估计 E = RR + sqrt(RR * (RR - 1))
若 [L, U] 包含 1:区间 E-value = 1
否则选离 1 最近的端点;若保护方向则取倒数后计算 E-value
输出:两个阈值及其风险比尺度、协变量条件和估计区间text01 关联还剩多少,为什么要看强度?#
研究者用观察数据估计治疗与结局的调整后风险比(Risk Ratio,RR)为 2。即使已调整记录中的协变量,仍可能有未测因素 同时影响治疗和结局。单说“有未测混杂”无法比较严重性;E-value 要求回答:在指定的风险比框架下, 至少要分别与治疗和结局多强相关,才能把观察到的关联推回零效应?
此处的“强度”指条件于已测协变量后的风险比关联:暴露与混杂因素的最大关联,以及混杂因素与结果的最大关联。E-value 把两者压缩为一个对称下界;它不是说现实中的两条关联必然相等,也不是概率或 p 值。
02 公式、变量和尺度#
当观察到的风险比 时,常用 E-value 定义为
它给出一个对称基准:若未测混杂与暴露、结果的两条条件风险比关联都取同一强度,要完全解释该观测关联,所需的最小共同强度是 。一般情况下两条关联可以不相等;此时不能把 误读成“它们都必须各自至少达到 E”,而应检查具体的关联组合及相应偏差界。若 ,先取倒数 ,把保护效果方向翻成大于 1,再计算。
对置信区间要另外算最接近无效值 1 的端点的 E-value。若区间跨过 1,该端点的值就是 1(无额外混杂强度就已有统计不确定性包含零效应)。区间端点不是新点估计,不能用远离 1 的一端代替。
本公式适用于风险比尺度的效应参数。若结果常见、手里只有 Logistic 回归的优势比(Odds Ratio,OR),不能把 OR 不加说明直接当 RR:OR 往往离 1 更远,会夸大阈值。应从可得信息换算到风险比、使用相应扩展方法,或清楚标注近似。风险差、均值差和相关系数也不能直接代入。
| 量 | 符号/形状 | 解释 |
|---|---|---|
| 调整后效应 | ,标量 | 条件于已测协变量的风险比,方向需统一 |
| 点估计阈值 | ,标量 | 完全解释点估计所需的最小对称关联强度 |
| 区间端点 | 原估计不确定区间;选离 1 最近的端点 | |
| 区间阈值 | ,标量 | 使区间刚好包含无效值所需的阈值 |
| 协变量条件 | 上述关联强度均在已测协变量条件下定义 |
03 手算:点估计与区间不能混为一谈#
若调整后 ,则
解释是:在该框架下,若用两条关联相同的基准描述,完全解释点估计所需的最小共同风险比强度约为 3.41。真实混杂的两条关联可以不相等;这个摘要值不证明混杂不存在,也不表示效应有 99% 概率真实。
若 95% 区间是 ,离 1 最近端点为 1.2,则区间 E-value 为
因此点估计看起来需较强混杂才能抹去,但统计区间的下界只需较弱混杂即可移到 1。若区间改为 ,由于已跨 1,区间 E-value 为 1;点估计值仍可另行计算。报告时这两个数字回答不同问题。
04 纯 Python 实现:输入风险比,输出强度阈值#
下面是透明的标量函数,没有第三方 API。rr 可在任意正方向输入;小于 1 时会取倒数。interval 是原置信区间端点。代码验证正数与次序,并分别输出点估计和最近端点的 E-value。
from math import sqrt, isfinite
def e_value_for_rr(rr):
if not isfinite(rr) or rr <= 0:
raise ValueError("RR must be finite and positive")
rr_oriented = max(rr, 1.0 / rr)
return rr_oriented + sqrt(rr_oriented * (rr_oriented - 1.0))
def e_values(rr, interval):
lo, hi = interval
if not (0 < lo <= hi and lo <= rr <= hi):
raise ValueError("require 0 < lower <= estimate <= upper")
point = e_value_for_rr(rr)
if lo <= 1.0 <= hi:
ci = 1.0
else:
nearest = lo if lo > 1.0 else hi
ci = e_value_for_rr(nearest)
return {"point": point, "ci_nearest_null": ci}
print(e_values(2.0, (1.2, 3.2)))
# {'point': 3.414..., 'ci_nearest_null': 1.689...}
print(e_values(0.5, (0.4, 0.8)))
# protection is reoriented; output is unchanged by inversion of directionpythonrr 和区间均为标量,输出两个无量纲阈值。保护效果 被翻转为 ;输入区间也必须保持一致方向、且包含点估计。若原区间是保护方向,例如 ,最近 1 的端点是 0.8,函数按倒数 1.25 算阈值。生产报告还应保存效应尺度、协变量条件集、置信水平和计算代码版本。
05 报告与调试:不要把 E-value 写成“稳健证明”#
建议至少报告点估计 E-value、最近无效值置信端点的 E-value、原风险比及区间、结局是否常见、效应方向和协变量调整集。随后把阈值与已测混杂因素的已知关联比较:如果强预测因子与暴露、结局的关联远低于阈值,能提供参照;不能证明未测因素也弱。
常见实现和解释错误:
- 对 OR 直接套公式:尤其结局常见时,OR 与 RR 相差明显。先确认尺度。
- 保护效应忘记倒数:方向统一后点估计和区间端点也要同步转向。
- 只报点估计:下界可能有很小的 E-value,说明统计不确定性更容易触及无效值。
- 区间跨 1 还写高稳健:区间 E-value 应为 1;点估计阈值不能掩盖这一点。
- 把阈值当成概率:E=3.4 不代表有 3.4 倍概率无偏,也不代表存在该混杂因素。
- 忽略其他偏差:它针对未测混杂的指定敏感性模型,不会修复选择偏差、测量误差、反向因果、干扰或错误估计目标。
键盘可展开:审阅 E-value 计算的四项检查
确认效应是 RR;保护方向已取倒数;置信区间最近 1 的端点正确;点估计阈值与区间阈值分开解释。Tab 聚焦摘要后可按 Enter 或 Space 展开。
与负向对照和其他敏感性分析的边界#
| 工具 | 观察到什么 | 输出 | 主要局限 |
|---|---|---|---|
| 负向对照 | 不应有的关联是否出现 | 诊断关联及区间 | 通过不能排除不共享的偏差 |
| E-value | 未测混杂要多强才可解释效应 | RR 尺度阈值 | 不识别混杂方向或实际存在性 |
| HonestDiD | 趋势偏离限制下效应区间怎样变 | 多期稳健区间 | 依赖明确的趋势偏差集合 |
| 定量偏差分析 | 给定偏差参数后的校正效应 | 校正估计或范围 | 需要为参数指定有依据的范围 |
思考练习#
- ,点估计 E-value 是多少?请手算并说明这个数字不代表什么。
- 点估计 ,95% 区间为 。分别报告哪两个 E-value?区间阈值为什么是 1?
- 一篇研究的结局发生率 40%,作者只给 OR=2.0。为什么不能不加说明地代入 RR 公式?还应索取或估计什么?
延伸阅读#
- VanderWeele & Ding, Sensitivity Analysis in Observational Research: Introducing the E-Value (2017) ↗ — 风险比框架下 E-value 的提出及置信区间报告。
- Ding & VanderWeele, Sensitivity Analysis Without Assumptions (2016) ↗ — 未测混杂偏差因子的界限及一般化讨论。
- VanderWeele & Arah, Bias Formulas for Sensitivity Analysis of Unmeasured Confounding (2011) ↗ — 风险差、风险比、优势比尺度的偏差公式。
- Linden, Mathur & VanderWeele, Conducting Sensitivity Analysis for Unmeasured Confounding Using E-values: The evalue Package (2020) ↗ — E-value 在多种效应尺度下的应用说明。
上一篇用对照结果寻找可能偏差,本文量化风险比对某类未测混杂强度的敏感程度。下一篇从这个阈值回到实证设计:如何把已测混杂的基准、负向对照和多种敏感性参数写成可预注册、可复核的分析分支。