[论文解读] GENIUS-MAWII: For Robust Mendelian Randomization with Many Weak Invalid Instruments

Ting Ye, Zhonghua Liu+2 more|arXiv (Cornell University)|Jul 13, 2021

Genetic Associations and Epidemiology参考文献 89被引用 7

一句话总结

GENIUS-MAWII 是一种新颖的孟德尔随机化方法，通过利用暴露变量的异方差性，在同时面临大量弱工具变量和广泛水平多效性双重挑战时，实现稳健的因果推断。该方法基于影响函数建立识别，即使在大量弱无效工具变量的渐近框架下，也能保证一致性与渐近正态性，并提供用于检测弱识别和过度识别的诊断工具。

ABSTRACT

Mendelian randomization (MR) has become a popular approach to study causal effects by using genetic variants as instrumental variables. We propose a new MR method, GENIUS-MAWII, which simultaneously addresses the two salient phenomena that adversely affect MR analyses: many weak instruments and widespread horizontal pleiotropy. Similar to MR GENIUS (Tchetgen Tchetgen et al., 2021), we achieve identification of the treatment effect by leveraging heteroscedasticity of the exposure. We then derive the class of influence functions of the treatment effect, based on which, we construct a continuous updating estimator and establish its consistency and asymptotic normality under a many weak invalid instruments asymptotic regime by developing novel semiparametric theory. We also provide a measure of weak identification, an overidentification test, and a graphical diagnostic tool. We demonstrate in simulations that GENIUS-MAWII has clear advantages in the presence of directional or correlated horizontal pleiotropy compared to other methods. We apply our method to study the effect of body mass index on systolic blood pressure using UK Biobank.

研究动机与目标

• 解决孟德尔随机化中大量弱工具变量与广泛水平多效性并存所导致的因果推断有效性受损问题。
• 开发一种方法，即使在单个工具变量较弱且由于多效性导致大量工具变量无效的情况下，仍能保持一致性和渐近正态性。
• 利用暴露变量中的异方差性建立因果效应的识别，从而对方向性或多效性相关性具有鲁棒性。
• 提供实用的诊断工具，包括弱识别度量、过度识别检验和图形化工具，以评估实际应用中方法的可靠性。
• 通过新颖的半参数理论与连续更新估计方法，将 MR GENIUS 框架扩展至处理大量弱无效工具变量的情形。

提出的方法

• 利用暴露变量中的异方差性识别因果效应，基于给定工具变量和协变量条件下暴露变量的条件方差。
• 在半参数模型下推导治疗效应的影响函数族，实现在弱工具变量渐近框架下的高效估计。
• 构建一种连续更新估计量，通过迭代更新干扰参数（如暴露和结果的回归函数）以提升效率与稳健性。
• 建立理论性质：在大量弱无效工具变量的渐近框架下，保证一致性与渐近正态性，即使大量工具变量较弱或无效，仍可实现有效推断。
• 基于残差矩的正交性构造估计方程，以识别因果效应，依赖于给定协变量时误差项的条件独立性。
• 结合基于经验矩条件的稳健方差估计器与过度识别检验，以检测无效工具变量并评估模型拟合度。

实验结果

研究问题

• RQ1 当大量工具变量较弱且由于多效性导致大量工具变量无效时，是否存在一种孟德尔随机化方法能够实现一致且渐近正态的估计？
• RQ2 如何利用暴露变量中的异方差性来识别因果效应，而无需依赖所有工具变量均满足排除限制条件？
• RQ3 相关性或多效性方向性对现有 MR 方法有何影响？新方法能否更有效地缓解此类偏差？
• RQ4 在大量弱工具变量与多效性共存的情境下，如何衡量与诊断弱识别问题？
• RQ5 在大量弱无效工具变量的渐近框架下，能否构建具有半参数效率的连续更新估计量？

主要发现

• GENIUS-MAWII 在大量弱无效工具变量的渐近框架下，即使单个工具变量较弱且多数因多效性而无效，仍能保持一致性和渐近正态性。
• 模拟结果表明，GENIUS-MAWII 在存在方向性或多效性相关性水平多效性时，优于现有方法，其偏差更小，且在现实情境下具有更优的覆盖区间。
• 该方法提供了有效的过度识别检验与弱识别诊断度量，使用户能够实际评估因果估计的可靠性。
• 图形化诊断工具有助于可视化多效性模式，并识别潜在的离群点或影响性工具变量。
• 在英国生物银行数据的应用中，GENIUS-MAWII 对体质指数（BMI）对收缩压因果效应的估计，相比传统 MR 方法展现出更高的稳健性。
• 理论分析证实，只要暴露模型与结果模型中的误差项在给定工具变量和协变量条件下具有异方差性且条件不相关，识别即有效。