稳健孟德尔随机化推断的GENIUS方法
统计方法学
2021-08-10 v6
摘要
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，有时可用于在存在未测量混杂的情况下恢复关于给定暴露-结局因果关联的有效推断。一个关键的IV识别条件，即排除限制条件，规定IV不能对结局产生不由所考虑暴露介导的直接效应。在MR研究中，这一假设需要对遗传标记因果影响结局的机制有超出现实水平的先验知识。因此，在实践中几乎无法排除排除限制条件可能被违反的情况。为解决这一问题，我们引入了一类新的IV估计量，它们在MR文献通常假设的数据生成机制下对排除限制条件的违反具有稳健性。所提出的方法名为“无交互作用未测量选择下的MR G-估计”（MR GENIUS），它改进了Robins的G-估计，使其对加性未测量混杂和排除限制条件假设的违反均具有稳健性。在某些关键设定下，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文献中似乎未得到充分重视。更一般地，MR GENIUS将Lewbel的估计量推广到几个关键的实用MR设定中，包括二值结局的乘性因果模型、乘性和比值比暴露模型、病例对照研究设计以及删失生存结局。
引用
@article{arxiv.1709.07779,
title = {The GENIUS Approach to Robust Mendelian Randomization Inference},
author = {Eric J. Tchetgen Tchetgen and BaoLuo Sun and Stefan Walter},
journal= {arXiv preprint arXiv:1709.07779},
year = {2021}
}