[论文解读] 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 4

一句话总结

本文提出三种针对弱工具变量的稳健检验方法——mrAR、mrK 和 mrCLR——用于两样本汇总数据孟德尔随机化分析，通过将计量经济学方法（Anderson-Rubin、Kleibergen 和条件似然比检验）扩展至汇总统计量。所提检验在弱工具变量条件下保持正确的尺寸与覆盖概率，其中 mrCLR 唯一支持 Dufour（1997）提出的有效置信区间必要条件，即在需要时生成无穷区间，在模拟与实证研究中表现优于现有方法。

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.

研究动机与目标

• 解决两样本汇总数据孟德尔随机化中弱工具变量的问题，该问题可能导致效应估计偏差及一类错误率膨胀。
• 将弱工具变量稳健的计量经济学检验方法——Anderson-Rubin、Kleibergen 和条件似然比检验——扩展至个体水平数据不可用的两样本汇总数据设置。
• 通过保持正确的尺寸与覆盖概率，确保在工具变量与暴露关联较弱时仍能实现有效推断。
• 基于 mrAR 统计量开发点估计量与无效工具检验方法，增强对多效性与混杂因素的稳健性。
• 为实际应用中使用所提检验提供实用建议，尤其在工具变量强度不确定时。

提出的方法

• 通过利用近期关于两样本汇总统计量的研究，将计量经济学中的 Anderson-Rubin（AR）、Kleibergen（K）与条件似然比（CLR）检验扩展至两样本汇总数据孟德尔随机化。
• 推导出在弱工具变量渐近条件下渐近有效的检验统计量——mrAR、mrK 与 mrCLR，确保一类错误率控制正确。
• 利用 mrAR 检验统计量构建点估计量与无效工具检验方法，类似于 MR-Egger 中的 Q 统计量，实现对多效性的检测。
• 通过在工具变量强度不足时允许生成无穷区间，确保 mrCLR 的置信区间满足 Dufour（1997）提出的有效推断必要条件。
• 在模拟数据与真实世界 MR 数据集中应用这些检验方法，包括对 Zhao 等人（2020）研究的复现，以评估在不同工具变量强度与无效性条件下的表现。
• 通过模拟存在未知成对相关性的场景，评估检验方法对相关工具变量的稳健性，并在存在相关性时推荐采用保守分析策略。

实验结果

研究问题

• RQ1 能否成功将计量经济学中的弱工具变量稳健检验方法适配至个体水平数据不可用的两样本汇总数据孟德尔随机化？
• RQ2 所提出的 mrAR、mrK 与 mrCLR 检验在弱工具变量渐近条件下是否能保持正确的尺寸与覆盖概率？
• RQ3 mrAR 检验是否能以类似于现有方法（如 MR-Egger 中的 Q 统计量）的方式检测无效工具（如多效性）？
• RQ4 mrCLR 是否通过在需要时生成无穷区间，满足 Dufour（1997）提出的有效置信区间必要条件？
• RQ5 在弱工具变量条件下，所提检验相较于 IVW、MR-Egger 与加权中位数估计器等现有方法，在统计功效与覆盖概率方面表现如何？

主要发现

• 所提 mrAR、mrK 与 mrCLR 检验在所有情景下（包括弱工具变量条件）均保持正确的尺寸与 95% 的覆盖概率，而 IVW 与 MR-Egger 等现有方法则出现覆盖概率膨胀。
• mrCLR 唯一支持 Dufour（1997）提出的有效置信区间必要条件，即在工具变量较弱时约 95% 的时间生成无穷区间，从而确保稳健覆盖。
• 在模拟研究中，mrCLR 在统计功效与覆盖概率方面优于其他弱工具变量稳健方法，尤其在无多效性证据时表现更优。
• mrAR 检验在模拟与实证数据中均成功检测出无效工具，其表现与 MR-Egger 中的 Q 统计量相当，可实现工具变量有效性的预筛选。
• 当存在无效工具或强直接效应时，mrK 与 mrCLR 的偏差随无效工具数量与效应大小的增加而上升，但其稳健性仍优于标准方法。
• 对 Zhao 等人（2020）研究的实证复现表明，mrCLR 与 mrK 的置信区间与使用鲁棒损失函数的 MR-RAPS 结果相似，表明其具有一致性与实际应用价值。