[論文レビュー] Weak-Instrument Robust Tests in Two-Sample Summary-Data Mendelian Randomization

Sheng Wang, Hyunseung Kang|arXiv (Cornell University)|Sep 16, 2019

Advanced Causal Inference Techniques参考文献 12被引用数 4

ひとこと要約

本稿では、経済学的手法（Anderson-Rubin、Kleibergen、および条件付き尤度比検定）を要約統計に拡張することで、二標本要約統計データを用いたメタボリックランダム化（Mendelian randomization）における弱い道具変数に強い検定（mrAR、mrK、mrCLR）を提案する。提案手法は弱い道具変数下でも正しいサイズと被覆率を維持するが、特にmrCLRは、必要に応じて無限区間を生成することでDufour（1997）の有効な信頼区間のための必要条件を独自に満たし、シミュレーションおよび実証的研究において既存手法を上回る性能を示す。

ABSTRACT

Mendelian randomization (MR) has been a popular method in genetic epidemiology to estimate the effect of an exposure on an outcome using genetic variants as instrumental variables (IV), with two-sample summary-data MR being the most popular. Unfortunately, instruments in MR studies are often weakly associated with the exposure, which can bias effect estimates and inflate Type I errors. In this work, we propose test statistics that are robust under weak instrument asymptotics by extending the Anderson-Rubin, Kleibergen, and the conditional likelihood ratio test in econometrics to two-sample summary-data MR. We also use the proposed Anderson-Rubin test to develop a point estimator and to detect invalid instruments. We conclude with a simulation and an empirical study and show that the proposed tests control size and have better power than existing methods with weak instruments.

研究の動機と目的

• 個別レベルのデータが入手できない二標本要約統計データを用いたMendelian randomizationにおける弱い道具変数の問題に対処すること。
• 個別レベルのデータが入手できない二標本要約統計データの文脈に、弱い道具変数に強い経済学的検定（Anderson-Rubin、Kleibergen、条件付き尤度比）を拡張すること。
• 道具変数が曝射と弱く関連している場合でも、正しいサイズと被覆率を維持することで、弱い道具変数下でも有効な推論を保証すること。
• mrAR統計量を用いて不正な道具変数の点推定および検定を構築し、多因子効果や交絡要因に対してより頑健な推定を可能とすること。
• 特に道具変数の強さが不確実な状況において、提案手法を実世界のMR解析で実際に使用するための実用的アドバイスを提供すること。

提案手法

• 近年の二標本要約統計に関する研究を活用し、経済学的検定（Anderson-Rubin、Kleibergen、条件付き尤度比）を二標本要約統計データMendelian randomizationに拡張する。
• 弱い道具変数の漸近的設定下で漸近的に有効となる検定統計量（mrAR、mrK、mrCLR）を導出することで、正しい第一種の過誤率制御を保証する。
• mrAR検定統計量を用いて点推定および不正な道具変数の検定を構築し、MR-EggerにおけるQ統計量と類似した方法で多因子効果の検出を可能にする。
• mrCLRからの信頼区間が、道具変数の強さが弱い場合に無限区間を許容することで、Dufour（1997）の有効な推論のための必要条件を満たすように保証する。
• シミュレーションデータおよび実世界のMRデータセット（Zhaoら（2020）の再現を含む）にテストを適用し、道具変数の強さや不正性の変動下での性能を評価する。
• 未知のペアワイズ相関を伴うシナリオをシミュレーションし、相関に対する頑健性を評価し、相関が存在する場合には慎重な解析を推奨する。

実験結果

リサーチクエスチョン

• RQ1 個別レベルのデータが入手できない二標本要約統計データMendelian randomizationに、経済学的弱い道具変数に強い検定を成功裏に適応できるか？
• RQ2 提案されたmrAR、mrK、mrCLR検定は、弱い道具変数の漸近的設定下でも正しいサイズと被覆率を維持するか？
• RQ3 mrAR検定は、MR-EggerにおけるQ統計量と同様に、不正な道具変数（例：多因子効果）を検出できるか？
• RQ4 mrCLRは、必要に応じて無限区間を生成することで、Dufour（1997）の有効な信頼区間のための必要条件を満たすか？
• RQ5 弱い道具変数下で、IVW、MR-Egger、加重中央値推定器といった既存手法と比較して、提案手法のパワーと被覆率はどのように異なるか？

主な発見

• 提案されたmrAR、mrK、mrCLR検定は、弱い道具変数下を含むすべてのシナリオで正しいサイズと95％の被覆率を維持するが、IVW や MR-Egger などの既存手法は被覆率の上昇を示す。
• mrCLRは、道具変数が弱い場合に約95％の確率で無限区間を生成することで、Dufour（1997）の有効な信頼区間のための必要条件を独自に満たし、被覆率の頑健性を保証する。
• シミュレーションでは、多因子効果の証拠がない場合に特に、mrCLRは他の弱い道具変数に強い手法を上回るパワーと被覆率を示した。
• シミュレーションおよび実証データの両方で、mrAR検定は不正な道具変数を効果的に検出でき、MR-EggerにおけるQ統計量と同等の性能を示し、事前スクリーニングによる道具変数の有効性の確認が可能となった。
• 道具変数が不正または強い直接効果を示す場合、mrKおよびmrCLRは、不正な道具変数の数や大きさが増えるにつれて徐々にバイアスが増大したが、標準的手法よりもより頑健であった。
• Zhaoら（2020）の再現解析では、mrCLRおよびmrKの信頼区間が、ロバスト損失関数を用いたMR-RAPSと類似しており、一貫性と実用的有用性が示された。