Correction for Weak IV Bias and Winner's Curse in Mendelian Randomization Egger Regression: Rerandomized Egger estimator
Huazhong University of Science and Technology（华中科技大学）；Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology（华中科技大学同济医学院附属同济医院）
针对孟德尔随机化中Egger回归的弱工具变量偏倚和赢家诅咒问题，提出重随机化Egger估计量，通过去偏和随机工具选择实现一致性、渐近正态性及对方向性多效性的稳健性。
2026-06-23 stat.ME
On the physical interpretation of a meta-analysis in the presence of heterogeneity and bias: from clinical trials to Mendelian randomization
漏斗图是荟萃分析中汇总数据估计值的图形可视化，是检测偏离标准建模假设的有用工具。虽然可能没有得到广泛的认可，但漏斗图的简单扩展可以帮助在更基本的水平上直观地解释荟萃分析背后的数学，将其等同于确定物理系统的质心。在剑桥科学节上，我们用这个类比向年轻观众解释了权衡证据和有偏见证据的概念，并取得了一定的成功，而没有求助于精确的定义或统计公式。在本文中，我们的目标是正式这种类比在一个更技术层面上使用的估计方程框架：首先，以帮助阐明一些基本的统计模型中采用的荟萃分析，其次，在证据合成和因果推断文献的偏差调整之间建立新的连接。
2015-08-15 stat.AP
Robust Mendelian Randomization Estimation using Weighted Quantile Regression
Faculté de Pharmacie, Université de Montréal（蒙特利尔大学药学院）；Centre de Recherche Azrieli du CHU Sainte-Justine（圣贾斯丁大学医院中心阿兹里埃尔研究中心）；Department of Mathematics and Statistics, McGill University（麦吉尔大学数学与统计系）；Département de médecine sociale et préventive, Université de Montréal（蒙特利尔大学社会与预防医学系）
本文提出MR-Quantile方法，利用加权分位数回归应对孟德尔随机化中的相关和不相关多效性问题，通过似然法选择最优分位数，并在模拟和实际数据中验证其有效性。
2026-04-08 stat.ME
Genome analysis and pleiotropy assessment using causal networks with loss of function mutation and metabolomics
背景资料：许多全基因组关联研究已经发现了与性状相关的基因组区域，但了解关联的功能原因往往仍然难以捉摸。利用系统方法和集中在中间分子表型可能会促进生物学的理解。结果如下：来自社区动脉粥样硬化风险研究的非洲裔美国人和欧洲裔美国人两个群体的外显子组测序的可用性使我们能够研究注释的功能丧失（LoF）突变对122种血清代谢物的影响。为了评估这些发现，我们分别为每个人群建立了代谢组学因果网络，并利用结构方程模型。然后，我们用一组独立样本验证了我们的发现。通过使用基于遗传变异的孟德尔随机化概念的方法，我们发现一些受影响的代谢物是疾病因果途径中的风险预测因子。例如，基因KIAA 1755中的LoF突变被鉴定为升高二十碳五烯酸的水平（p值=5E-14），二十碳五烯酸是临床上鉴定为增加原发性高血压的必需脂肪酸。我们发现，该基因是在途径甘油三酯，甘油三酯和原发性高血压的代谢紊乱和心脏病发作的危险因素。我们还鉴定了具有功能丧失突变的基因CLDN 17对来自氨基酸和脂质途径的代谢物具有多效性作用。结论：使用系统生物学方法分析代谢组学和遗传数据，我们整合了几个生物学过程，这导致了可能在功能上将遗传变异与复杂疾病联系起来的发现。
2019-04-29 q-bio.GN stat.AP stat.ME
Bayesian Weighted Mendelian Randomization for Causal Inference based on Summary Statistics
全基因组关联研究（GWAS）对数千种表型的研究结果为推断一种表型（暴露）对另一种表型（结果）的因果影响提供了前所未有的机会。孟德尔随机化（MR），一个工具变量（IV）的方法，已被引入使用GWAS数据的因果推断。然而，由于复杂性状/疾病的多基因结构和多效性的普遍存在，与常规IV方法相比，MR具有许多独特的挑战。我们提出了一个贝叶斯加权孟德尔随机化（BWMR）的因果推断，以解决这些挑战。在我们的BWMR模型中，弱效应的不确定性，由于多基因性已被考虑和违反IV假设，由于多效性已通过贝叶斯加权离群值检测解决。为了使基于BWMR的因果推断具有计算稳定性和高效性，我们提出了一种变分期望最大化（VEM）算法。此外，我们还导出了一个精确的封闭式公式，以纠正变分推断中经常被低估的后验协方差。通过全面的仿真研究，我们评估了BWMR的性能，证明了BWMR相对于其竞争对手的优势。然后，我们应用BWMR对130种代谢物和93种复杂的人类特征进行了因果推断，揭示了暴露与结果特征之间的新因果关系。BWMR软件可在https://github.com/jiazhao97/BWMR上获得。
2019-04-29 stat.ME
A Robust Framework for Two-Sample Mendelian Randomization under Population Heterogeneity
University of Ottawa（渥太华大学）；Washington University in St. Louis（圣路易斯华盛顿大学）；North Carolina State University（北卡罗来纳州立大学）
本文提出一种无需模型的双样本孟德尔随机化方法，以应对人群异质性，解决测量误差、弱工具变量和多效性问题，通过模拟和真实数据验证其稳健性和实用性。
2026-04-28 stat.ME
Mendelian Randomization when Many Instruments are Invalid: Hierarchical Empirical Bayes Estimation
在许多经济学和生物学研究中，估计暴露对结果的因果影响是一项重要任务。特别是孟德尔随机化，使用遗传变异作为工具来估计流行病学研究中的因果效应。然而，传统的工具变量方法依赖于一些不可检验的假设，在实际问题中可能会违背这些假设。在本文中，我们采用贝叶斯框架，并建立分层模型，以纳入无效的影响的工具。我们引入了一个经验贝叶斯估计，其中一些工具是无效的，利用高斯混合先验。理论性能和算法实现提供和说明。所提出的方法的可靠性能被证明在各种模拟设置和真实的数据集上关于HDL胆固醇和LDL胆固醇对2型糖尿病的因果影响。
2017-06-05 stat.ME
An efficient and robust approach to Mendelian randomization with measured pleiotropic effects in a high-dimensional setting
使用工具变量对因果效应进行有效估计，要求所有工具均独立于以关注的风险因素和任何混杂因素为条件的结局。在使用大量遗传变异作为工具的孟德尔随机化研究中，不太可能满足此条件。任何给定的遗传变异都可能与大量的性状相关，所有这些性状都代表了绕过感兴趣的风险因素的结果的潜在途径。这种多效性可以使用标准的多变量孟德尔随机化来解释，其中所有可能的多效性性状都作为协变量。然而，如果某些协变量并不真正位于通向结果的多效性路径上，则以这种方式获得的估计量将是低效的。我们提出了一种方法，它使用正则化来识别出一组潜在的协变量需要在孟德尔随机化分析，以产生一个有效的和强大的估计的因果关系。该方法可用于无法获得个人层面数据且分析必须仅依赖汇总层面数据的情况。它也可以用于考虑的协变量比工具多的情况，这是不可能使用标准多变量孟德尔随机化的。我们展示了仿真研究的结果，证明了所提出的正则化方法在现实环境中的性能。我们还说明了一个应用的例子，它着眼于尿酸盐血浆浓度对冠心病的因果关系的影响的方法。
2019-11-01 stat.ME
Weak-Instrument Robust Tests in Two-Sample Summary-Data Mendelian Randomization
孟德尔随机化（MR）是遗传流行病学中的一种流行方法，使用遗传变异作为工具变量（IV）来估计暴露对结果的影响，其中双样本汇总数据MR最受欢迎。不幸的是，MR研究中的工具通常与暴露量弱相关，这可能会使效应估计值出现偏差并增加第一类错误。在这项工作中，我们提出的检验统计量是强大的弱工具渐近扩展的Anderson-Rubin，Kleibergen，和条件似然比检验在计量经济学两个样本的汇总数据MR。我们还使用建议的Anderson-Rubin测试开发一个点估计和检测无效的工具。我们的结论与模拟和实证研究表明，建议的测试控制的大小，并有更好的权力比现有的方法与弱工具。
2021-06-07 stat.ME
Bias in multivariable Mendelian randomization studies due to measurement error on exposures
多变量孟德尔随机化估计多次暴露对结果的因果影响，通常使用遗传变异关联的汇总统计。然而，在孟德尔随机化应用中，感兴趣的暴露量通常会测量错误。因此，汇总统计将不是与暴露的遗传关联，而是与测量误差的暴露的关联。经典的测量误差不会使遗传关联估计产生偏差，但会增加它们的标准误。在单次暴露的情况下，这将导致在两个样本框架中偏向零。然而，对于多个相关风险敞口，情况不一定如此。在本文中，我们研究的方向和大小的偏差，以及覆盖面，功率和第一类错误率在多变量孟德尔随机化研究的影响，测量误差的曝光。我们展示了如何测量误差可以占在一个极大似然框架。我们考虑两个应用的例子。首先，我们发现测量误差导致体重指数对冠心病风险的影响被高估，而腰臀比的影响被低估。在第二部分中，我们发现，如果不考虑测量误差，那么由体重指数、吸烟和血压介导的教育对冠心病风险的影响比例可能被低估。
2022-03-16 stat.ME
A Note on The Rationale Behind Using Parental Longevity as a Proxy in Mendelian Randomization Studies
本文指出孟德尔随机化研究中用父母寿命作代理结局的常见做法缺乏明确假设阐述，并填补了这一空白。
2025-08-05 stat.ME
Leveraging Local Distributions in Mendelian Randomization: Uncertain Opinions are Invalid
针对孟德尔随机化中工具变量可能无效的问题，提出MR-Local方法，利用比值估计的局部分布选择最不确定性的簇进行因果推断，并建立渐近正态性，模拟和真实数据验证其可靠性。
2024-02-04 stat.ME
Multivariable Mendelian randomization with weak instruments: a comparison of Bayesian and frequentist methods
Sydney School of Public Health, University of Sydney（悉尼大学公共卫生学院）；MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计单元）；Cardiovascular Epidemiology Unit, University of Cambridge（剑桥大学心血管流行病学单元）
本文比较了贝叶斯方法MVMR-Pony与频率学方法在多变量孟德尔随机化中处理弱工具变量偏差的性能，模拟显示MVMR-Pony在偏差、覆盖率和统计功效方面更优。
2026-06-26 stat.ME
Bayesian Mendelian randomization testing of interval causal null hypotheses: ternary decision rules and loss function calibration
我们的方法孟德尔随机化（MR）分析的目的是增加因果效应的“发现”的可重复性：（i）使用贝叶斯方法进行推理;（ii）用实际等效区域代替点原假设，该实际等效区域包括对于感兴趣的效应的可忽略量值的值，同时利用贝叶斯分析的能力来量化落在区域内/区域外的影响的证据;（iii）拒绝通常的二元决策逻辑，而赞成三元逻辑，其中假设检验可能导致接受或拒绝空值，同时还适应“不确定”的结果。我们提出了一种方法来校准所提出的方法，通过损失函数，我们用我们的方法与频率论的比较。我们说明的方法与援助的因果关系的影响，肥胖的青少年心肌梗死的风险的研究。
2022-08-10 stat.ME
On Mendelian Randomization Mixed-Scale Treatment Effect Robust Identification (MR MiSTERI) and Estimation for Causal Inference
如果定义工具变量（IV）的遗传变异受到混淆和/或对非治疗介导的目标结局具有水平多效性效应，则标准孟德尔随机化分析可能产生偏倚结果。我们提供了新的识别条件的因果关系的治疗中存在的不可测量的混杂，利用无效的IV的独立性和排除限制的假设可能会被违反。孟德尔随机化混合尺度处理效应稳健辨识（MR MiSTERI）方法依赖于（i）假设处理效应不随相加量表上无效IV的变化而变化;以及（ii）由于混杂导致的选择偏倚不随比值比量表上无效IV的变化而变化;和（iii）结果的残差方差是异方差的，因此随着无效IV而变化。我们正式确定，他们的结合可以确定一个因果关系的影响，即使是一个无效的IV受到多效性。MiSTERI被证明是特别有利的，在存在普遍的异质性的多效性效应的加性尺度，设置在其中两个最近提出的稳健估计方法MR GxE和MR GENIUS可以严重偏置。为了将多个，可能相关的和弱IV，MR研究中的一个常见的挑战，我们开发了一个MAny弱无效仪器（MR MaWII MiSTERI）的方法，以加强识别和提高准确性MaWII MiSTERI被证明是强大的水平多效性，违反IV独立性假设和弱IV偏见。仿真研究和实际数据分析结果表明所提出的MR MiSTERI方法的鲁棒性。
2021-03-30 stat.ME
Disentangling the effects of traits with shared clustered genetic predictors using multivariable Mendelian randomization
当基因簇中的遗传变异与疾病结果相关时，从变异到结果的因果途径可能难以解开。例如，趋化因子受体基因簇含有与各种细胞因子相关的遗传变体。该簇中的变体与中风风险之间的关联可能由这些细胞因子中的任何一种驱动。多变量孟德尔随机化是标准单变量孟德尔随机化的扩展，用于估计具有共享遗传预测因子的相关暴露的直接影响。然而，当遗传变异被聚类时，出现了金发姑娘困境：在分析中包括太多高度相关的变异可能导致条件反射，但过于积极地修剪变异可能导致不精确的估计，甚至缺乏识别。我们提出了多变量的方法，使用主成分分析，以减少许多相关的遗传变异到一个较小的正交分量，用作工具变量。我们在模拟中表明，这些方法导致更精确的估计，是不太敏感的数值不稳定性，由于强相关性和输入数据的小变化。我们应用这些方法来证明趋化因子基因簇中最可能的中风危险因素是单核细胞趋化蛋白-1。
2021-10-02 stat.ME
Weak instruments in multivariable Mendelian randomization: methods and practice
针对多变量孟德尔随机化中易出现的弱工具变量问题，提出可采用Andrews（2018）的稳健推断策略，并设计了校正过度离散异质性的调整后Kleibergen统计量。
2024-08-19 stat.ME
Almost exact Mendelian randomization
本文提出一种精确基于亲子遗传随机化的孟德尔随机化方法，通过因果图模型和家庭内随机化检验消除群体结构、多效性等偏倚，并验证了其稳健性和实用性。
2023-04-18 stat.ME
Instrumental Variables Estimation with Some Invalid Instruments and its Application to Mendelian Randomization
工具变量已被广泛用于估计暴露和结果之间的因果关系。传统的估计方法需要完全了解所有工具的有效性;有效的工具必须对结果没有直接影响，并且与不可测量的混杂因素无关。通常，这是不切实际的，如孟德尔随机化研究所强调的，其中遗传标记被用作工具，并且关于工具有效性的完整知识等同于关于所涉及的基因功能的完整知识。在本文中，我们提出了一种方法估计因果关系时，这种完整的知识是缺席。结果表明，因果关系的影响是确定的，可以估计，只要不到$50$ %的工具是无效的，而不知道哪些工具是无效的。我们还介绍了当50%的阈值被违反的识别条件。介绍了一种快速惩罚$\ell_1$估计方法，称为sisVIVE，用于在不知道哪些工具有效的情况下估计因果效应，其性能具有理论保证。模拟数据和一个真正的孟德尔随机化研究，身体质量指数对健康相关的生活质量指数的影响，所提出的方法被证明。R软件包\emph{sisVIVE}可在线获得。
2014-09-21 stat.ME
A More Robust Approach to Multivariable Mendelian Randomization
本文针对多变量孟德尔随机化中大量弱工具变量导致的偏倚和I类错误膨胀问题，提出闭式修正与谱正则化方法，构建更稳健的估计量和渐近框架。
2025-08-17 stat.ME
Debiased Inverse-Variance Weighted Estimator in Two-Sample Summary-Data Mendelian Randomization
孟德尔随机化（MR）已成为一种流行的方法，通过使用遗传变异作为工具变量来研究可改变的暴露对结果的影响。MR中的一个挑战是，每个遗传变异解释了暴露中相对较小比例的方差，并且存在许多这样的变异，这种设置被称为许多弱工具。为此，我们提供了一个理论表征的统计特性的两个流行的估计在MR，逆方差加权（IVW）估计和IVW估计与筛选仪器使用一个独立的选择数据集，在许多弱的工具。然后，我们提出了一个去偏IVW估计，一个简单的修改IVW估计，这是强大的许多弱工具，不需要筛选。此外，我们提出了两种工具选择方法，以提高效率的新估计时，选择数据集可用。扩展的去偏IVW估计处理平衡的水平多效性也进行了讨论。最后，我们在模拟和真实数据集上展示了我们的结果。
2020-10-10 stat.ME
Robust instrumental variable methods using multiple candidate instruments with application to Mendelian randomization
孟德尔随机化是利用遗传变异从观察数据中进行因果推断。该领域目前正在经历一场革命，这是由于越来越多的遗传变异被证明与全基因组关联研究中的暴露相关，以及有关遗传变异与大型财团的暴露和结果的汇总数据的公开可用性。使用汇总数据可以相对简单地进行具有许多遗传变异的孟德尔随机化分析。然而，只有当每个遗传变异满足工具变量的假设时，因果解释才有保证。为了防止这些假设的失败，已经提出了用于工具变量分析的稳健方法。在这里，我们开发了三个扩展工具变量方法使用：i）鲁棒回归，ii）惩罚的权重从候选工具与异质因果估计，和iii）L1惩罚。结果从各种各样的强大的方法，包括最近提出的MR-Egger和中位数为基础的方法，进行了比较，在一个广泛的模拟研究。我们证明了两种方法，稳健回归的逆方差加权方法和一个简单的中位数的因果估计从个别变量，有相当大的改善1型错误率相比，传统的方法在各种各样的情况下，高达30%的遗传变异是无效的工具。虽然MR-Egger方法在满足其假设时给出了无偏估计，但这些估计的效率低于其他方法，并且对违反假设的情况高度敏感。应常规使用做出不同假设的方法来评估应用孟德尔随机化研究多种遗传变异结果的稳健性。
2018-08-30 stat.ME
Winner's Curse Free Robust Mendelian Randomization with Summary Data
针对经典孟德尔随机化（MR）分析中汇总数据存在的胜者诅咒和多效性问题，提出统一稳健MR框架，无需参数分布假设或完美工具筛选，可有效消除偏倚并实现因果效应的有效统计推断，经模拟和案例验证性能良好。
2025-08-24 stat.ME
When Screening Misleads: A Robust Mendelian Randomization Test for Reliable Causal Discovery
School of Statistics and Data Science, LPMC and KLMDASR, Nankai University（南开大学统计与数据科学学院）
研究旨在解决孟德尔随机化中先筛选关联再评估因果效应导致的I型错误膨胀问题，提出新颖稳健MR检验，该检验能保持正确I型错误率且可利用先前汇总统计量提高功效，模拟研究显示其优于经典方法。
2026-07-14 stat.ME
Mendelian randomization with a binary exposure variable: interpretation and presentation of causal estimates
孟德尔随机化使用遗传变异对可改变的暴露进行因果推断。如果遗传变异满足工具变量假设，则变异与结果之间的关联意味着暴露对结果的因果影响。二元暴露会出现并发症，即连续风险因素的二分化（例如，高血压是血压的二分化）。这可能会导致违反排除限制假设：即使二元暴露没有改变，遗传变异也可以通过连续风险因子影响结果。如果基础连续风险因子满足工具变量假设，则二元暴露的因果推断对连续风险因子有效。二元暴露的因果估计假设因果效应在二分点是一个逐步函数。即使这样，估计也需要进一步的参数假设。在单调性下，因果估计代表“顺从者”的平均因果效应，顺从者是指如果有遗传变异，则存在二元接触，否则不存在二元接触的个人。与随机试验不同，遗传依从者不太可能是人口中的一个大的或代表性的亚组。在同质性下，暴露对结果的因果影响被假设为在所有个体中是恒定的;这通常是一个不切实际的假设。我们在这里提供的方法，因果关系估计与二进制曝光（虽然受到所有上述警告）。应根据基础连续变量对具有二分二值暴露的孟德尔随机化研究进行概念化。
2018-04-16 stat.ME
Conditional inference in cis-Mendelian randomization using weak genetic factors
本文提出了一种cis-MR推断方法，利用因子分析降低遗传变异维度并作为工具变量，通过两种条件检验方法解决弱效应下的尺度扭曲问题，为降胆固醇药物靶点验证提供了遗传证据。
2021-12-31 stat.ME
MR-CCC: Bayesian Mendelian Randomization for Causal Cell--Cell Communication
Texas A&M University（德克萨斯农工大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出MR-CCC方法，通过cis-eQTLs作为工具变量，建模受体调节的配体效应，以区分因果信号与共享调节或混杂因素，提升在细胞通讯研究中的因果推断能力。
2026-04-27 stat.ME
Causal Estimation and Inference in Nonlinear Mendelian Randomization Studies
针对现有孟德尔随机化方法多假设线性因果、非线性场景易有偏的问题，提出无需先验设定因果函数的半参数方法，扩展至二分类结局，经模拟和UK Biobank数据验证有效并提供R包实现。
2025-08-04 stat.ME
A modified debiased inverse-variance weighted estimator in two-sample summary-data Mendelian randomization
针对两样本汇总数据孟德尔随机化中弱工具变量及小有效样本量导致的偏差，本文提出乘性修正的 mdIVW 估计量，偏差收敛更快、方差更小，并支持工具变量选择与平衡水平多效性。
2024-03-18 stat.ME
Context-stratified Mendelian randomization: exploiting regional exposure variation to explore causal effect heterogeneity and non-linearity
提出情境分层孟德尔随机化方法，利用亚组间暴露的外生变异研究因果效应异质性与非线性，该方法易于实现且对碰撞偏倚稳健，但有效性依赖于情境间暴露分布的有意义外生变异。
2025-07-15 stat.ME
Instrumental variables estimation of exposure effects on a time-to-event response using structural cumulative survival models
使用工具变量来估计暴露对结果的影响在计量经济学中很流行，在流行病学中也越来越流行。这种日益普及的现象可能归因于观察性研究中工具变量的自然发生，这些研究通过设计或性质纳入了随机化元素（例如，基因的随机遗传）。工具变量估计暴露效应是建立连续的结果，并在一定程度上为二元结果。然而，由于删失和生存偏倚导致的并发症，它在很大程度上缺乏事件发生时间结局。在本文中，我们提出了一个新的建议下的一类结构累积生存模型，参数化的时间变化的影响，一个点暴露直接对规模的生存函数，这些模型基本上是等价的半参数变量的工具变量加性风险模型。我们提出了一类递归的工具变量估计这些暴露的影响，并推导出其大样本性质以及推理工具。我们在模拟研究中检查了所提出的方法的性能，并在孟德尔随机化研究中使用健康与退休研究的数据评估糖尿病对死亡率的影响。我们进一步使用所提出的方法来研究乳腺癌筛查对随后的乳腺癌死亡率的潜在益处。
2016-08-02 stat.ME
The GENIUS Approach to Robust Mendelian Randomization Inference
孟德尔随机化（MR）是一种流行的工具变量（IV）方法，其中一个或多个遗传标记作为IV，有时可以利用这些IV来恢复关于受未测量混杂影响的给定预后-结果因果关系的有效推断。一个关键的IV识别条件称为排除限制，规定IV不能对结果产生直接影响，这不是由所考虑的暴露介导的。在MR研究中，这样的假设需要对遗传标记因果影响结果的机制有不切实际的先验知识。因此，在实践中，很难排除可能违反排除限制的情况。为了解决这一问题，我们引入了一类新的IV估计，这是强大的数据生成机制下，通常假设在MR文献中的排除限制违反。所提出的方法名为“MR G估计下没有相互作用与不可测选择”（MR GENIUS），提高了罗宾斯的G估计，使其强大的添加剂不可测的混杂和违反排除限制假设。在某些关键设置中，MR GENIUS简化为Lewbel（2012）的估计量，该估计量在计量经济学中广泛使用，但在MR文献中基本上不受重视。更一般地说，MR GENIUS将Lewbel估计量推广到几个关键的实际MR设置，包括二元结局的乘法因果模型，乘法和比值比暴露模型，病例对照研究设计和删失生存结局。
2019-06-02 stat.ME
Debiased Estimating Equation Method for Robust and Efficient Mendelian Randomization Using a Large Number of Correlated Weak and Invalid Instruments
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Tsinghua University（清华大学）；National Cancer Institute（美国国家癌症研究所）；Harvard University（哈佛大学）
提出去偏估计方程方法（DEEM），通过纳入大量相关、弱效应及无效SNPs，消除弱工具偏差并提高因果效应估计的效率与稳健性。
2026-11-04 stat.ME
A Random Effects Model-based Method of Moments Estimation of Causal Effect in Mendelian Randomization Studies
本文提出一种基于随机效应模型和遗传相关性的 MR 矩估计方法，通过汇总有效 IV 解释的变异处理弱工具变量与多效性，并经模拟和真实数据验证其稳健性。
2023-12-18 stat.ME
Improving Mendelian Randomization Analysis by Instrument Borrowing from Auxiliary Outcome Traits
Department of Biostatistics, Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯彭博公共卫生学院生物统计系）；Department of Oncology, School of Medicine, Johns Hopkins University（约翰斯·霍普金斯大学医学院肿瘤系）
研究针对孟德尔随机化在无效工具变量存在时的问题，提出借用辅助结果性状工具变量改进推断。先引入共同异质性统计量及理论识别次要性状，扩展两种方法，模拟研究和实际应用表明新方法能更好控制错误、提高功效。
2026-10-15 stat.ME
Selecting invalid instruments to improve Mendelian randomization with two-sample summary data
本文提出聚焦工具变量选择及选择后置信区间构建方法，在弱且局部无效工具变量下平衡偏差与方差，并通过脂质靶点和维生素D实证表明最优选择可纳入许多潜在无效工具。
2023-04-25 stat.ME
Mendelian randomization with fine-mapped genetic data: choosing from large numbers of correlated instrumental variables
孟德尔随机化使用遗传变异来对风险因素对结果的影响进行因果推断。有了精细映射的遗传数据，在单个基因区域中可能有数百个遗传变异，其中任何一个都可以用来评估这种因果关系。然而，在分析中使用太多的遗传变异可能会导致虚假的估计和夸大的1型错误率。但是，如果只使用少数遗传变异，那么大多数数据都会被忽略，估计值对变异的特定选择高度敏感。我们提出了一种方法的基础上总结的数据（遗传关联和相关性估计），使用主成分分析，形成工具。这种方法具有理想的理论特性：它考虑了数据的整体性，并且不会受到数值不稳定性的影响。它在模拟研究中也具有良好的特性：它对分析中包含的遗传变异或遗传相关矩阵的变化并不特别敏感，并且它不会大大夸大1型错误率。总的来说，该方法给出的估计值不如变量选择方法（例如使用条件分析或修剪方法来选择变体）精确，但对变量选择步骤中看似任意的选择更稳健。方法说明了一个例子，使用遗传协会与睾酮的320个遗传变异，以评估性别歧视相关的途径对冠状动脉疾病风险的影响，其中变量选择方法给出不一致的推论。
2017-07-07 stat.ME
GENIUS-MAWII: For Robust Mendelian Randomization with Many Weak Invalid Instruments
本文提出GENIUS-MAWII方法，利用暴露异方差性实现识别，通过新半参数理论构建连续更新估计量，在众多弱无效工具变量下同时处理弱工具和水平多效性问题，并在模拟和UK Biobank应用中验证其优势。
2024-02-24 math.ST stat.ME stat.TH
Outlier Detection in Mendelian Randomisation
针对孟德尔随机化中异质性统计量过度离散导致遗传变异被误判为异常值的问题，提出利用估计膨胀因子进行校正，以准确剔除异常工具变量并处理多效性。
2025-02-20 stat.ME
What does two-sample Mendelian randomization estimate when the exposure-outcome relationship is nonlinear?
Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院统计与数据科学系）
本文推导了双样本孟德尔随机化在暴露-结局关系非线性时的估计含义，指出其比率估计为剂量-反应曲线斜率的加权平均，且合并估计量缺乏固定解释，异质性检验和MR-Egger会误判非线性为多效性，强调线性假设需明确辩护并优先使用个体水平数据。
2026-10-06 stat.ME
Simultaneously accounting for the winner's curse and sample structure in Mendelian randomization: bivariate rerandomized inverse variance weighted estimator
Tongji Medical College, Huazhong University of Science and Technology（华中科技大学同济医学院）；Guangzhou Medical University（广州医科大学）；Guangzhou First People’s Hospital（广州市第一人民医院）
本文提出双变量RIVW估计量，同时解决孟德尔随机化中的赢家诅咒和样本结构问题，提高因果效应估计的准确性。
2026-08-31 stat.ME
Unveiling Challenges in Mendelian Randomization for Gene-Environment Interaction
本文针对基因-环境交互评估中 MR 方法研究不足的问题，将 2SPS 和 2SRI 两种工具变量方法扩展至线性和逻辑回归模型，并通过模拟与推导揭示逻辑回归情形下求解的复杂性。
2023-09-21 stat.ME
Towards more plausible point-identifying assumptions in two-sample Mendelian randomization
Federal University of Pelotas（佩洛塔斯联邦大学）；University of Bristol（布里斯托大学）；University College London（伦敦大学学院）；Norwegian University of Science and Technology（挪威科技大学）
本文证明两样本孟德尔随机化的点识别假设比先前认为的更弱，即汇总水平同质性可由加性线性因果效应及异质性不相关性隐含，从而支持将方法解释为估计平均因果效应。
2026-10-28 stat.ME
A Latent Mixture Model for Heterogeneous Causal Mechanisms in Mendelian Randomization
孟德尔随机化（MR）是流行病学和遗传学中的一种流行方法，它使用遗传变异作为工具变量进行因果推断。现有的MR方法通常假设大多数遗传变异是识别共同因果效应的有效工具变量。人们普遍没有意识到，即使所有的工具变量都是有效的，当涉及多个因果通路时，也可能违反这种效应同质性假设。在这篇文章中，我们介绍了一个潜在的混合模型MR-PATH，该模型将产生相似因果效应估计的工具分组在一起。我们开发了一个Monte-Carlo EM算法来拟合这个混合模型，推导出近似的置信区间的不确定性量化，并采用一个修改的贝叶斯信息准则（BIC）的模型选择。我们使用数值模拟来验证Monte-Carlo EM算法、置信区间和模型选择准则的有效性。我们确定潜在的机制异质性时，应用我们的方法来估计高密度脂蛋白胆固醇对冠心病的影响和肥胖对II型糖尿病的影响。
2022-06-14 stat.AP stat.ME
Adaptive Penalization and Bootstrap-Smoothed Inference for Two-Sample Mendelian Randomization with Summary Data
Lund University（隆德大学）；University of Iowa（爱荷华大学）；Oklahoma State University（俄克拉荷马州立大学）
针对两样本孟德尔随机化汇总数据，提出MR-ALasso和MR-ALasso-B两种方法。前者引入自适应惩罚权重改进工具变量识别，后者结合自适应lasso选择与自助平滑提升选择后推断效果，通过理论分析、模拟研究和实际应用验证了方法的有效性。
2026-07-22 stat.AP stat.ME
Estimating time-varying exposure effects through continuous-time modelling in Mendelian randomization
针对现有孟德尔随机化时变效应研究方法过度简化时间信息、假设过严的问题，提出结合功能主成分分析与弱工具稳健技术的连续时间建模新方法，可在通用场景下可靠估计时变效应，并通过模拟和案例研究验证了其有效性。
2024-03-08 stat.AP stat.ME
Group Identification and Variable Selection in Multivariable Mendelian Randomization with Highly-Correlated Exposures
针对高相关暴露下多变量孟德尔随机化的弱工具偏倚、可解释性差等局限，提出MVMR-PACS方法，识别信号组并估计其直接效应，实现有效选择后推断，在模拟和真实数据应用中表现更优。
2025-11-15 stat.AP stat.ME
The impact of coarsening an exposure on partial identifiability in instrumental variable settings
该研究针对工具变量场景下暴露粗化的部分识别问题，拓展了Balke的无参数假设边界分析方法，推导了含三水平IV的新边界，并通过花生过敏试验和孟德尔随机化两个真实数据示例验证了结果。
2024-01-31 stat.ME
Bayesian Mendelian Randomization
我们的孟德尔随机化贝叶斯方法使用多种工具来评估暴露对结果的假定因果影响。该方法对违反（不可检验的）排除限制条件具有稳健性，因此不要求工具独立于以暴露和确定性-结果关系的混杂因素为条件的结果。贝叶斯方法提供了一个严格的不确定性处理（例如，关于估计的仪器暴露协会），从零分布的渐近近似的自由和可能性，阐述在任何方向的科学相关的模型。我们说明了最后一个功能的帮助下，肥胖症的疾病诱导作用的代谢介质的研究，在那里我们阐述了模型，以调查是否感兴趣的因果关系的影响与协变量相互作用。所提出的模型包含不可识别参数的向量$β$，其第$j$元素表示多效性（即，不受暴露的影响），这是器械$j$与结果相关性的组成部分。我们处理的不完全可识别性假设，一些仪器的多效性的影响是零，或几乎是这样，正式施加在$β$卡瓦略的马蹄形收缩之前，在这样一种方式，不同的组件的$β$受到不同程度的收缩，自适应和符合每个单独的仪器的兼容性的假设，没有多效性。该先验需要来自用户的最小输入。我们提出了一个模拟研究的结果，该方法的性能在不同类型的多效性和样本量。与加权中值估计的性能进行了比较。讨论了先验知识的选择和基于马尔可夫链Monte Carlo的推理。
2017-01-31 math.ST stat.ME stat.TH
Overlapping-sample Mendelian randomisation with multiple exposures: A Bayesian approach
背景：孟德尔随机化（MR）在医学研究中被广泛应用于因果推断。它使用遗传变异作为工具变量（IV）来调查暴露与结果之间的假定因果关系。传统的MR方法主要集中在两个样本设置，其中IV暴露相关性研究和IV结果相关性研究是独立的。然而，两项研究的参与者完全重叠（单样本）或部分重叠（双样本）并不罕见。方法：我们提出了一种适用于所有三种样本设置的方法。从本质上讲，我们将两个或重叠样本问题转换为一个单样本问题，其中一些或所有个体的数据都是不完整的。假设所有个体均来自同一总体，未测量的数据为随机随机缺失。然后将未观测到的数据与模型参数作为未知量进行互惠处理，从而可以使用马尔可夫链蒙特卡罗对观测数据和估计参数进行迭代条件化插补。我们推广了我们的模型，以允许多效性和多次暴露，并使用四个指标进行了大量模拟评估其性能：平均值，标准差，覆盖率和功率。结果：样本重叠率越高，工具越强，估计值的精度和把握度越高。多效性对估计数有显著的负面影响。尽管如此，总的来说，覆盖率很高，我们的模型在所有样本设置中表现良好。结论：我们的模型提供了适用于任何样本设置的灵活性，这是对MR文献的重要补充，该文献仅限于一个或两个样本场景。鉴于贝叶斯推断的性质，它可以很容易地扩展到医学研究中更复杂的MR分析。
2020-11-03 stat.AP stat.CO stat.ME
Inferring the Direction of a Causal Link and Estimating Its Effect via a Bayesian Mendelian Randomization Approach
使用遗传变异作为工具变量-一种称为孟德尔随机化的方法-是一种流行病学方法，用于估计暴露（表型、生物标志物、风险因素）对观察数据中疾病或健康相关结局的因果影响。工具变量必须满足强有力的、往往是不可检验的假设，这意味着在一大串潜在的候选者中找到好的遗传工具是具有挑战性的。这一困难由于许多遗传变异通过不同的因果途径影响一种以上的表型而变得更加复杂，这种现象称为水平多效性。这不仅会导致估计因果效应大小的错误，而且会导致推断假定因果联系方向的错误。在本文中，我们提出了一种贝叶斯方法称为BayesMR，这是一个推广的孟德尔随机化技术，我们允许多效性的影响，至关重要的是，反向因果关系的可能性。该方法的输出是目标因果效应的后验分布，它提供了估计中不确定性的直接且易于解释的测量。更重要的是，我们使用贝叶斯模型平均来确定推断方向相对于反向方向的可能性有多大。
2020-12-18 q-bio.GN q-bio.QM stat.AP
Mendelian Randomization Methods for Causal Inference: Estimands, Identification and Inference
本文全面综述了孟德尔随机化（MR）在因果推断中的方法，围绕因果估计量系统讨论了无效和弱工具变量问题、多种研究设计及高维组学数据应用，为方法学家和应用科学家提供实用指导。
2025-11-02 stat.AP stat.ME
Bayesian Mendelian randomization with study heterogeneity and data partitioning for large studies
背景资料：当随机对照试验不可行时，孟德尔随机化（MR）是从观察性研究中进行因果推断的一种有用方法。然而，MR所需的两项关联研究的研究异质性往往被忽视。在处理大型研究时，最近开发的贝叶斯MR受到其计算昂贵的限制。方法：我们提出了一个随机效应贝叶斯MR模型与多个曝光和结果研究异质性。对于大型研究，我们采用了子集后验聚合方法来解决计算问题。特别是，我们将数据划分为子集，并结合从子集中获得的估计子集因果效应。我们的方法的性能进行了评估，通过一些模拟，其中部分曝光数据丢失。结果如下：随机效应贝叶斯MR优于传统的逆方差加权估计，无论真正的因果效应是零或非零。大型研究的数据划分对估计的因果效应的变化影响不大，但在工具较弱和数据缺失率较高的情况下，它显著影响估计的无偏性。我们的模拟结果表明，数据划分是一个很好的方式，提高计算效率，为小的成本，减少无偏的估计，只要样本量的子集是合理的大。结论：我们通过包括随机效应来明确解释研究异质性，进一步推进了贝叶斯MR。我们还采用了一个子集后验聚合方法来解决MCMC的计算昂贵的问题，这是非常重要的，特别是在处理大型研究。我们提出的工作很可能为更一般的模型设置铺平道路，因为贝叶斯方法本身在模型构建中具有很大的灵活性。
2021-12-15 stat.AP stat.ME
Using Instruments for Selection to Adjust for Selection Bias in Mendelian Randomization
该研究针对孟德尔随机化分析中的选择偏倚问题，探索用与参与相关的遗传变异作为选择工具变量，结合两种样本选择模型实现缺失数据校正，经模拟和真实数据验证方法可缓解偏倚。
2024-04-13 q-bio.QM stat.ME
