Winner's Curse Free Robust Mendelian Randomization with Summary Data
基于汇总数据消除赢家诅咒的稳健孟德尔随机化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：摘要明确使用遗传变异作为工具变量，研究孟德尔随机化的因果效应估计与推断。
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…
基于汇总数据消除赢家诅咒的稳健孟德尔随机化
- 研究问题
- 利用基因关联汇总数据进行孟德尔随机化时，如何同时处理工具筛选带来的赢家诅咒与多效性导致的无效工具问题？
- 方法与思路
- 作者提出统一稳健框架，校正赢家诅咒并筛除具有多效性的遗传工具，在适当条件下建立估计量正态极限与方差估计。
- 材料陈述的贡献
- 摘要称有效推断不要求多效性服从参数分布，也不依赖完美工具筛选，并通过蒙特卡洛模拟和两个案例展示表现。
- 阅读关注点
- 应核对汇总数据与筛选流程的关系、赢家诅咒校正机制、允许的无效工具结构，以及不依赖完美筛选所需的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出适当条件和案例结果，不能认为框架自动保证所有遗传工具有效。
原文摘要
In the past decade, the increased availability of genome-wide association studies summary data has popularized Mendelian Randomization (MR) for conducting causal inference. MR analyses, incorporating genetic variants as instrumental variables, are known for their robustness against reverse causation bias and unmeasured confounders. Nevertheless, classical MR analyses utilizing summary data may still produce biased causal effect estimates due to the winner's curse and pleiotropic issues. To address these two issues and establish valid causal conclusions, we propose a unified robust Mendelian Randomization framework with summary data, which systematically removes the winner's curse and screens out invalid genetic instruments with pleiotropic effects. Different from existing robust MR literature, our framework delivers valid statistical inference on the causal effect neither requiring the genetic pleiotropy effects to follow any parametric distribution nor relying on perfect instrument screening property. Under appropriate conditions, we show that our proposed estimator converges to a normal distribution and its variance can be well estimated. We demonstrate the performance of our proposed estimator through Monte Carlo simulations and two case studies. The codes implementing the procedures are available at https://github.com/ChongWuLab/CARE/.