Debiased Estimating Equation Method for Robust and Efficient Mendelian Randomization Using a Large Number of Correlated Weak and Invalid Instruments
使用大量相关弱工具和无效工具的稳健有效孟德尔随机化：去偏估计方程法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：摘要以遗传工具变量估计因果效应，并处理弱工具、无效工具和未测混杂。
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
使用大量相关弱工具和无效工具的稳健有效孟德尔随机化：去偏估计方程法
- 研究问题
- 孟德尔随机化使用大量相关、效应弱且可能无效的遗传工具时，如何减轻弱工具偏差并保留相关工具的信息？
- 方法与思路
- 作者提出基于汇总统计量的去偏估计方程法 DEEM，允许多效性、校正赢家诅咒，并适用于单样本和双样本分析。
- 材料陈述的贡献
- 摘要称 DEEM 消除弱工具偏差并改善效率，提供渐近分析，且通过模拟和两个真实数据案例展示效率与稳健性的比较。
- 阅读关注点
- 应核对无效工具及多效性的允许结构、工具相关性如何估计，以及去偏、赢家诅咒校正和渐近结果的具体条件。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未说明允许多少无效工具或相关结构，不能理解为任意情形均有效。
原文摘要
Mendelian randomization (MR) is a widely used tool for causal inference in the presence of unmeasured confounders, which uses single nucleotide polymorphisms (SNPs) as instrumental variables to estimate causal effects. However, SNPs often have weak effects on complex traits, leading to bias in existing MR analysis when weak instruments are included. In addition, existing MR methods often restrict analysis to independent SNPs via linkage disequilibrium clumping and result in a loss of efficiency in estimating the causal effect due to discarding correlated SNPs. To address these issues, we propose the Debiased Estimating Equation Method (DEEM), a summary statistics-based MR approach that can incorporate a large number of correlated, weak-effect, and invalid SNPs. DEEM effectively eliminates the weak instrument bias and improves the statistical efficiency of the causal effect estimation by leveraging information from a large number of correlated SNPs. DEEM also allows for pleiotropic effects, adjusts for the winner's curse, and applies to both two-sample and one-sample MR analyses. Asymptotic analyses of the DEEM estimator demonstrate its attractive theoretical properties. Through extensive simulations and two real data examples, we demonstrate that DEEM significantly improves the efficiency and robustness of MR analysis compared with existing methods.