多变量孟德尔随机化的多效性稳健方法
统计方法学
2021-08-04 v1
摘要
孟德尔随机化是一种从观测数据中推断是否存在因果效应的有力工具。然而，遗传变异的性质使得多效性仍是有效因果效应估计的障碍。文献中针对单一风险因素对结局影响的研究，已有许多多效性稳健方法可选。但在多变量情形下，即存在多个关注的风险因素时，多效性稳健方法却很少。本文引入三种基于单变量情形下常用方法构建的方法：MVMR-Robust、MVMR-Median和MVMR-Lasso。我们讨论了每种方法的特性，并在模拟研究中将其与现有方法的性能进行比较。当多效性水平较低时，MVMR-Robust优于现有的离群值稳健方法。MVMR-Lasso在中等至高多效性水平下均方误差估计最佳，并能在三样本设定下提供有效推断。MVMR-Median在所有考虑情景下的估计表现良好，并在至多中等多效性水平下提供有效推断。我们以一个考察智力、教育与家庭收入对阿尔茨海默病风险影响的实例演示了这些方法。
引用
@article{arxiv.2008.11997,
title = {Pleiotropy robust methods for multivariable Mendelian randomization},
author = {Andrew J. Grant and Stephen Burgess},
journal= {arXiv preprint arXiv:2008.11997},
year = {2021}
}