A Robust Framework for Two-Sample Mendelian Randomization under Population Heterogeneity
总体异质性下双样本孟德尔随机化的稳健框架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：摘要直接研究孟德尔随机化中的工具变量因果效应估计与跨总体稳健性。
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
总体异质性下双样本孟德尔随机化的稳健框架
- 研究问题
- 暴露与结局的遗传关联来自不同总体时，如何处理祖源、人口特征及测量差异，使双样本孟德尔随机化估计更可靠？
- 方法与思路
- 作者提出不对总体差异施加参数形式的汇总数据方法，并将测量误差、弱工具变量和多效性纳入其拟处理的问题。
- 材料陈述的贡献
- 摘要称，估计量在异质设计下具有一致性和渐近正态性，在同质情形也可能提高效率，并通过模拟及跨祖源分析展示效用。
- 阅读关注点
- 应核对跨总体因果目标、遗传工具的有效性要求，以及总体异质性、弱工具和多效性分别通过何种条件得到处理。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出识别条件，“无模型”不能解释为不需要因果假设。
原文摘要
Mendelian randomization is a powerful tool for causal inference in observational studies. The two-sample summary-data design, which estimates genetic associations with exposures and outcomes in separate cohorts, is the most widely used Mendelian randomization approach in large-scale genomic studies. However, this approach relies on a strong assumption of population homogeneity across the two samples. In practice, available samples often differ in ancestry, demographics, socioeconomic factors, covariate adjustment, and measurement protocols. Violations of the homogeneity assumption can bias causal effect estimates and undermine the credibility of Mendelian randomization findings. We introduce a robust, model-free Mendelian randomization framework that directly addresses population heterogeneity in the two-sample summary-data setting. Our method avoids parametric assumptions about population differences and is designed to address real-world challenges, including measurement error, weak instruments, and pleiotropy. We show that the proposed estimator is consistent and asymptotically normal under heterogeneous designs, and may offer efficiency gains over the classic estimator even in homogeneous settings. Through numerical simulations and a real data analysis for estimating the causal effect of body mass index on high-density lipoprotein cholesterol across ancestrally diverse populations, we demonstrate the practical utility, stability, and robustness of our approach.