Adaptive Penalization and Bootstrap-Smoothed Inference for Two-Sample Mendelian Randomization with Summary Data
两样本孟德尔随机化的自适应惩罚与自助平滑推断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：摘要明确以遗传变异为工具变量进行因果估计，并研究无效工具与选择后推断。
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
两样本孟德尔随机化的自适应惩罚与自助平滑推断
- 研究问题
- 使用汇总关联数据的两样本孟德尔随机化中，如何识别水平多效性造成的无效工具变量，并改善变量选择后的因果效应推断？
- 方法与思路
- 作者提出采用自适应多效性惩罚权重的 MR-ALasso，以及结合自助平滑的 MR-ALasso-B，并提供理论、模拟和双向性状分析。
- 材料陈述的贡献
- 摘要称，MR-ALasso 具有无效工具识别一致性和预言机型选择后性质；模拟中自助平滑改善覆盖与第一类错误控制，并提供 R 包。
- 阅读关注点
- 应核对工具有效性与多效性限制、自适应权重和调参规则、自助平滑实施方式，以及理论和模拟是否覆盖弱工具等困难情形。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未列出一致性和预言机性质的完整条件，模拟改善不能证明实际遗传工具均有效。
原文摘要
Two-sample Mendelian randomization (MR) uses genetic variants as instrumental variables to estimate causal effects from observational data using summary association statistics. However, horizontal pleiotropy can invalidate standard MR estimators and lead to biased causal inference. Pleiotropy-robust methods have been proposed to address this issue, including regularization-based approaches such as MR-Lasso. However, MR-Lasso may fail to identify invalid instruments consistently, and its post-selection inference can be unreliable. In this paper, we develop two lasso-type procedures for two-sample MR with summary-level data. The first, MR-ALasso, extends MR-Lasso by introducing adaptive penalty weights for pleiotropic effects in order to improve the identification of valid and invalid instruments. The second, MR-ALasso-B, combines adaptive lasso selection with bootstrap smoothing to improve post-selection inference. We establish theoretical results for MR-ALasso under the two-sample summary data framework, including invalid instrument identification consistency and oracle-type post-selection behavior. Simulation studies show that MR-ALasso generally improves upon MR-Lasso in estimation accuracy and invalid-instrument identification, whereas MR-ALasso-B substantially improves coverage and type-I error control relative to naive post-selection inference. A real-data application based on bidirectional analyses of multiple complex traits further illustrates the practical usefulness of the proposed methods. We provide an R package, MRAlasso, to facilitate implementation.