A More Robust Approach to Multivariable Mendelian Randomization
多变量孟德尔随机化的一种更稳健方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要使用遗传变异作为工具变量估计多种暴露的直接因果效应，并重点处理弱工具带来的估计和推断问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多变量孟德尔随机化的一种更稳健方法
- 研究问题
- 多变量孟德尔随机化中，各暴露的工具强度不同且弱工具数量较多时，如何减少直接效应估计偏差并改善推断？
- 方法与思路
- 作者建立允许暴露间工具强度异质的新渐近框架，对多变量逆方差加权估计作闭式修正，并加入谱正则化。
- 材料陈述的贡献
- 摘要称刻画常用估计量的偏差和置信区间问题，证明新估计量在多弱工具下的一致性与渐近正态性，并提供模拟与应用。
- 阅读关注点
- 应核对工具强度及数量的渐近关系、遗传工具的有效性要求、谱正则化选择，以及区间推断如何反映修正后的不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未给出定理条件，弱工具修正是否同时处理工具无效问题也未说明。
原文摘要
Multivariable Mendelian randomization (MVMR) uses genetic variants as instrumental variables to infer the direct effects of multiple exposures on an outcome. However, unlike univariable Mendelian randomization, MVMR often faces greater challenges with many weak instruments, which can lead to bias not necessarily toward zero and inflation of type I errors. In this work, we introduce a new asymptotic regime that allows exposures to have varying degrees of instrument strength, providing a more accurate theoretical framework for studying MVMR estimators. Under this regime, our analysis of the widely used multivariable inverse-variance weighted method shows that it is often biased and tends to produce misleadingly narrow confidence intervals in the presence of many weak instruments. To address this, we propose a simple, closed-form modification to the multivariable inverse-variance weighted estimator to reduce bias from weak instruments, and additionally introduce a novel spectral regularization technique to improve finite-sample performance. We show that the resulting spectral-regularized estimator remains consistent and asymptotically normal under many weak instruments. Through simulations and real data applications, we demonstrate that our proposed estimator and asymptotic framework can enhance the robustness of MVMR analyses.