Breaking the Winner's Curse in Mendelian Randomization: Rerandomized Inverse Variance Weighted Estimator
破解孟德尔随机化的赢家诅咒：再随机化逆方差加权估计量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：摘要研究孟德尔随机化中的工具变量选择偏差及因果效应估计，因此归入因果推断，未提供其他细分方向的直接依据。
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
破解孟德尔随机化的赢家诅咒：再随机化逆方差加权估计量
- 研究问题
- 两样本孟德尔随机化中，同一份样本同时用于筛选遗传变异和估计关联效应时，如何纠正赢家诅咒造成的因果估计偏差？
- 方法与思路
- 作者先分析选择偏差，再提出再随机化框架以获得选中变异的无偏关联效应估计，并据此构造再随机化逆方差加权估计量。
- 材料陈述的贡献
- 摘要称，该估计量在同样本筛选与估计下具有一致性，并在适当条件下渐近正态且方差可估；另提供模拟和两个实证例子。
- 阅读关注点
- 应核对再随机化的实施方式、无偏性对应的随机性，以及工具变量有效性、选择规则与渐近理论分别需要哪些条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未列出理论条件，纠正选择偏差也不自动保证工具变量有效。
原文摘要
Developments in genome-wide association studies and the increasing availability of summary genetic association data have made the application of two-sample Mendelian Randomization (MR) with summary data increasingly popular. Conventional two-sample MR methods often employ the same sample for selecting relevant genetic variants and for constructing final causal estimates. Such a practice often leads to biased causal effect estimates due to the well known "winner's curse" phenomenon. To address this fundamental challenge, we first examine its consequence on causal effect estimation both theoretically and empirically. We then propose a novel framework that systematically breaks the winner's curse, leading to unbiased association effect estimates for the selected genetic variants. Building upon the proposed framework, we introduce a novel rerandomized inverse variance weighted estimator that is consistent when selection and parameter estimation are conducted on the same sample. Under appropriate conditions, we show that the proposed RIVW estimator for the causal effect converges to a normal distribution asymptotically and its variance can be well estimated. We illustrate the finite-sample performance of our approach through Monte Carlo experiments and two empirical examples.