A Random Effects Model-based Method of Moments Estimation of Causal Effect in Mendelian Randomization Studies
孟德尔随机化因果效应的随机效应模型矩估计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：摘要围绕孟德尔随机化、工具变量及暴露对结果的因果效应展开，因此归入因果推断。
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…
关注这篇论文的作者
孟德尔随机化因果效应的随机效应模型矩估计
- 研究问题
- 孟德尔随机化中存在大量弱工具变量与多效性时，如何汇总遗传信息估计暴露的因果效应，并减少小样本中工具变量筛选的影响？
- 方法与思路
- 作者利用遗传相关汇总大量变异的信息，提出基于随机效应模型的矩估计，以有效工具变量总体解释的变异替代逐个效应估计。
- 材料陈述的贡献
- 摘要将该方法描述为逆方差加权方法的推广，称其可容纳许多弱工具和多效性，并通过模拟及真实数据展示对部分假设违反的稳健性。
- 阅读关注点
- 应核对有效工具变量的界定、多效性与遗传相关的限制、矩条件如何支持因果识别，以及小样本和少数群体实验的设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列明可容许的假设违反类型，不能据此认定其对任意无效工具都稳健。
原文摘要
Recent advances in genotyping technology have delivered a wealth of genetic data, which is rapidly advancing our understanding of the underlying genetic architecture of complex diseases. Mendelian Randomization (MR) leverages such genetic data to estimate the causal effect of an exposure factor on an outcome from observational studies. In this paper, we utilize genetic correlations to summarize information on a large set of genetic variants associated with the exposure factor. Our proposed approach is a generalization of the MR-inverse variance weighting (IVW) approach where we can accommodate many weak and pleiotropic effects. Our approach quantifies the variation explained by all valid instrumental variables (IVs) instead of estimating the individual effects and thus could accommodate weak IVs. This is particularly useful for performing MR estimation in small studies, or minority populations where the selection of valid IVs is unreliable and thus has a large influence on the MR estimation. Through simulation and real data analysis, we demonstrate that our approach provides a robust alternative to the existing MR methods. We illustrate the robustness of our proposed approach under the violation of MR assumptions and compare the performance with several existing approaches.