When Screening Misleads: A Robust Mendelian Randomization Test for Reliable Causal Discovery
筛选何时误导：用于可靠因果发现的稳健孟德尔随机化检验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：摘要直接研究孟德尔随机化的因果检验及关联筛选后的错误率控制。
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…
筛选何时误导：用于可靠因果发现的稳健孟德尔随机化检验
- 研究问题
- 当研究者先筛选显著相关的暴露与结果组合，再进行孟德尔随机化检验时，如何避免选择步骤造成的第一类错误膨胀？
- 方法与思路
- 作者分析关联筛选对经典比率估计量的影响，提出在无真实因果效应时不受先前筛选结果影响的稳健检验，并利用历史汇总统计增效。
- 材料陈述的贡献
- 摘要称，新检验在所研究情形中维持正确第一类错误率，并可借助既有研究汇总统计提高功效，模拟显示相对经典方法的优势。
- 阅读关注点
- 应核对工具变量有效性、筛选与因果检验的数据依赖、样本重叠，以及外部汇总统计如何纳入和错误率保证的具体条件。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未说明完整假设，不能把筛选稳健性理解为自动解决无效工具变量问题。
原文摘要
Mendelian Randomization (MR) has been widely used as a standard approach for identifying causal effects in biomedical research. When the true exposure and outcome variables are unknown among many potential candidates, a common but problematic practice is to first screen for associations and then evaluate causal effects only among exposure-outcome pairs that show significant correlations. We demonstrate that the classical MR ratio estimator suffers from severe type I error inflation under this selection procedure. To address this issue, we propose a novel robust MR test that remains valid regardless of the prior association screening step when there is no true causal effect. We show that the proposed test consistently maintains the correct type I error rate, independent of the association test results. Furthermore, our method can incorporate summary statistics from previous association studies to improve the power of causal effect detection. Extensive simulation studies illustrate the advantages of the proposed method compared with the classical MR approach.