A modified debiased inverse-variance weighted estimator in two-sample summary-data Mendelian randomization
两样本汇总数据孟德尔随机化中的修正去偏逆方差加权估计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：摘要明确利用遗传变异作为工具变量推断风险因素对疾病的因果效应，并处理弱工具问题，直接对应因果推断。
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…
两样本汇总数据孟德尔随机化中的修正去偏逆方差加权估计
- 研究问题
- 孟德尔随机化使用大量弱遗传工具变量时，既有去偏逆方差加权估计在有效样本量较小情况下仍有偏差，本文研究如何修正。
- 方法与思路
- 作者对原去偏估计量乘以修正因子，分析其偏差与方差，并扩展到工具变量筛选及平衡水平多效性，结合模拟和真实数据检验。
- 材料陈述的贡献
- 摘要称，在一定正则条件下，修正估计量的偏差以更快速度趋于零且方差更小；模拟与真实数据分析展示了相对原方法的改进。
- 阅读关注点
- 应核对修正因子的定义、有效样本量与正则条件、工具变量筛选机制，以及平衡多效性假设和模拟场景对比较结果的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出正则条件及具体结果，不能将偏差和方差改进推广至所有工具设定。
原文摘要
Mendelian randomization uses genetic variants as instrumental variables to make causal inferences about the effects of modifiable risk factors on diseases from observational data. One of the major challenges in Mendelian randomization is that many genetic variants are only modestly or even weakly associated with the risk factor of interest, a setting known as many weak instruments. Many existing methods, such as the popular inverse-variance weighted (IVW) method, could be biased when the instrument strength is weak. To address this issue, the debiased IVW (dIVW) estimator, which is shown to be robust to many weak instruments, was recently proposed. However, this estimator still has non-ignorable bias when the effective sample size is small. In this paper, we propose a modified debiased IVW (mdIVW) estimator by multiplying a modification factor to the original dIVW estimator. After this simple correction, we show that the bias of the mdIVW estimator converges to zero at a faster rate than that of the dIVW estimator under some regularity conditions. Moreover, the mdIVW estimator has smaller variance than the dIVW estimator.We further extend the proposed method to account for the presence of instrumental variable selection and balanced horizontal pleiotropy. We demonstrate the improvement of the mdIVW estimator over the dIVW estimator through extensive simulation studies and real data analysis.