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。
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：摘要明确以遗传变异作为工具变量研究可干预暴露对结果的效应，并处理大量弱工具，因此直接属于因果推断。
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
两样本汇总数据孟德尔随机化中的去偏逆方差加权估计
- 研究问题
- 当孟德尔随机化使用大量解释力较弱的遗传工具变量时，常用逆方差加权估计有何统计问题，如何改进其估计与效率？
- 方法与思路
- 作者分析普通及独立筛选工具后的逆方差加权估计，提出去偏修正，并给出两种工具选择方法及平衡水平多效性扩展。
- 材料陈述的贡献
- 摘要称，去偏估计对大量弱工具稳健且无需筛选；有独立选择数据时可进一步改善效率，并用模拟和真实数据展示。
- 阅读关注点
- 应核对大量弱工具的渐近框架、工具有效性与样本独立性要求，以及去偏、筛选和多效性扩展各自适用的条件。
- 阅读边界
- 依据稿件版本未注明的OpenAlex索引摘要；摘要未展开因果识别和多效性条件，弱工具稳健性不能代替工具有效性。
原文摘要
Mendelian randomization (MR) has become a popular approach to study the effect of a modifiable exposure on an outcome by using genetic variants as instrumental variables. A challenge in MR is that each genetic variant explains a relatively small proportion of variance in the exposure and there are many such variants, a setting known as many weak instruments. To this end, we provide a theoretical characterization of the statistical properties of two popular estimators in MR: the inverse-variance weighted (IVW) estimator and the IVW estimator with screened instruments using an independent selection dataset, under many weak instruments. We then propose a debiased IVW estimator, a simple modification of the IVW estimator, that is robust to many weak instruments and does not require screening. Additionally, we present two instrument selection methods to improve the efficiency of the new estimator when a selection dataset is available. An extension of the debiased IVW estimator to handle balanced horizontal pleiotropy is also discussed. We conclude by demonstrating our results in simulated and real datasets.