Discovery and inference of possibly bi-directional causal relationships with invalid instrumental variables
利用可能无效的工具变量发现双向因果关系并进行推断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：摘要直接研究存在未观测混杂和可能无效工具变量时的因果方向识别与效应推断。
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…
利用可能无效的工具变量发现双向因果关系并进行推断
- 研究问题
- 当两个性状之间可能存在未观测混杂和反馈关系，且工具变量可能无效时，如何识别因果方向并对相应因果效应进行有效推断？
- 方法与思路
- 作者在允许双向关系的模型中提出因果参数与方向的识别条件，再构造数据驱动的方向检测和效应推断程序，并开展模拟及实际数据分析。
- 材料陈述的贡献
- 摘要称，在所提条件下，程序可一致恢复真实因果方向并构造有效置信区间；模拟报告相对既有方法的优势，并应用于 UK Biobank 数据。
- 阅读关注点
- 应核对工具变量无效的具体形式、双向模型的识别条件和方向判定规则，尤其关注方向选择后置信区间的有效性如何得到保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未列出具体识别条件与模拟设置，不能据此判断任意无效工具变量下均适用。
原文摘要
Learning causal relationships between pairs of complex traits from observational studies is of great interest across various scientific domains. However, most existing methods assume the absence of unmeasured confounding and restrict causal relationships between two traits to be uni-directional, which may be violated in real-world systems. In this paper, we address the challenge of causal discovery and effect inference for two traits while accounting for unmeasured confounding and potential feedback loops. By leveraging possibly invalid instrumental variables, we provide identification conditions for causal parameters in a model that allows for bi-directional relationships, and we also establish identifiability of the causal direction under the introduced conditions. Then we propose a data-driven procedure to detect the causal direction and provide inference results about causal effects along the identified direction. We show that our method consistently recovers the true direction and produces valid confidence intervals for the causal effect. We conduct extensive simulation studies to show that our proposal outperforms existing methods. We finally apply our method to analyze real data sets from UK Biobank.