Multivariable Mendelian randomization with weak instruments: a comparison of Bayesian and frequentist methods
弱工具变量下的多变量孟德尔随机化：贝叶斯与频率学派方法比较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：摘要围绕孟德尔随机化中的工具变量因果估计与弱工具偏差展开，直接属于因果推断，未提供其他方向的充分依据。
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…
弱工具变量下的多变量孟德尔随机化：贝叶斯与频率学派方法比较
- 研究问题
- 多暴露孟德尔随机化中，工具变量即使与单个暴露关联较强，条件关联仍可能较弱，如何缓解由此产生的因果估计偏差？
- 方法与思路
- 作者考察贝叶斯方法 MVMR-Pony，并在遗传效应相关、测量误差和中介作用导致弱工具变量的模拟设置中比较频率学派方法。
- 材料陈述的贡献
- 摘要称 MVMR-Pony 在所考察模拟中，于偏差、覆盖率、第一类错误率和检验功效方面表现优于所比较的频率学派方法。
- 阅读关注点
- 应核对先验设定、条件工具强度的定义、工具有效性要求，以及比较方法调参与模拟情景是否覆盖实际研究中的困难。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明先验、完整假设和数值结果，模拟优势不能直接推广至所有应用。
原文摘要
Weak instruments are a well known limitation for valid causal inference in Mendelian randomization studies. In the single exposure setting, weak instrument bias can be mitigated by selecting genetic instruments which are strongly associated with the exposure according to p-value and/or F-statistic thresholds. However, in the multi-exposure setting, genetic instruments may be strongly associated with an exposure but weakly associated with it conditional on all other exposures in the analysis. It is therefore more difficult to guarantee conditionally strong instruments in multivariable Mendelian randomization. Weak instrument bias can be mitigated using modelling approaches, however there are fewer methods for doing this in the multivariable case compared with the single exposure case. In this paper, we consider a method for mitigating weak instrument bias in multivariable Mendelian randomization using a Bayesian framework: MVMR-Pony. We compare this method with existing frequentist methods. We show using simulation studies that the MVMR-Pony method outperforms the frequentist approaches with respect to bias, coverage, type I error rates, and power, across settings where weak instrument bias arises due to correlated genetic effects, measurement error, and mediation.