Group Identification and Variable Selection in Multivariable Mendelian Randomization with Highly-Correlated Exposures
高度相关暴露下多变量孟德尔随机化的分组识别与变量选择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：摘要使用遗传变异作为工具变量估计风险因素的直接因果效应，并处理弱工具和选择后推断，直接属于因果推断方法。
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
高度相关暴露下多变量孟德尔随机化的分组识别与变量选择
- 研究问题
- 研究高维且高度相关的风险因素如何在多变量孟德尔随机化中被分组和筛选，并处理弱工具变量偏误及选择后推断问题。
- 方法与思路
- 作者提出 MVMR-PACS，以去偏目标函数识别信号组并估计组别直接效应，再将数据稀释策略用于汇总数据的选择后推断。
- 材料陈述的贡献
- 摘要称方法减少弱工具偏误、提供变量选择理论保证和有效选择后推断，并在模拟及脂蛋白亚组与冠心病应用中展示表现。
- 阅读关注点
- 应核对遗传工具的有效性要求、信号组效应的定义与可识别性，以及去偏和数据稀释如何处理汇总数据的相关结构。
- 阅读边界
- 这是 arXiv 预印本，无法据此确认同行评审或期刊接收；摘要未列明工具有效性和选择保证条件，不能据此确认应用中的因果解释。
原文摘要
Multivariable Mendelian Randomization (MVMR) estimates the direct causal effects of multiple risk factors on an outcome using genetic variants as instruments. The growing availability of summary-level genetic data has created opportunities to apply MVMR in high-dimensional settings with many strongly correlated candidate risk factors. However, existing methods face three major limitations: weak instrument bias, limited interpretability, and the absence of valid post-selection inference. Here we introduce MVMR-PACS, a method that identifies signal-groups -- sets of causal risk factors with high genetic correlation or indistinguishable causal effects -- and estimates the direct effect of each group. MVMR-PACS minimizes a debiased objective function that reduces weak instrument bias while yielding interpretable estimates with theoretical guarantees for variable selection. We adapt a data-thinning strategy to summary-data MVMR to enable valid post-selection inference. In simulations, MVMR-PACS outperforms existing approaches in both estimation accuracy and variable selection. When applied to 27 lipoprotein subfraction traits and coronary artery disease risk, MVMR-PACS identifies biologically meaningful and robust signal-groups with interpretable direct causal effects.