The INSIDE assumption under all positive coding: interpretation and partial empirical assessment¶
作者: Fernando Pires Hartwig, George Davey Smith, Frank Dudbridge, Jack Bowden
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2609.37347
一、领域脉络与小综述¶
这个方向是什么:孟德尔随机化(Mendelian randomization, MR)利用遗传变异作为工具变量(IV),在观察性数据中估计暴露对结局的因果效应。其核心优势在于遗传变异在受孕时随机分配,不易受反向因果和传统混杂影响。然而,当遗传变异通过暴露以外的途径影响结局时(即水平多效性),IV假设被违反。MR-Egger回归是处理水平多效性的主流方法之一,其有效性依赖于一个关键假设——INSIDE(INstrument Strength Independent of Direct Effect,工具强度独立于直接效应)。本文的核心问题正是:INSIDE假设能否被检验?以及全正编码(all-positive coding)方案下INSIDE假设的统计含义是什么?
发展脉络:MR方法经历了从单工具变量到多工具变量的演进。早期方法(如IVW,Burgess et al., 2013)要求所有工具变量均有效,这在实践中过于严格。Bowden et al. (2015) 提出MR-Egger回归,允许所有工具变量违反排除限制,但要求INSIDE假设成立——即工具对暴露的效应与工具的直接效应(多效性效应)不相关。此后,一系列方法试图放松或检验这一假设:加权中位数估计量(Bowden et al., 2016)要求至少50%的权重来自有效工具;众数估计量(Hartwig et al., 2017)要求最大同质工具子集为有效工具;MR-PRESSO(未在本文引用中)通过检测离群点来识别多效性工具。然而,INSIDE假设本身一直缺乏直接的检验手段。Dudbridge et al. (2025) 提出MR-GRIP模型,通过重参数化实现基因型编码不变性(GRIP),但该方法的假设条件与MR-Egger不同。本文作者指出,已有的INSIDE检验方法要么施加了额外假设(如零均值排除限制违反),要么存在循环论证的问题——这正是本文的切入点。
子线索聚类:被引文献大致落在三条子线索上。(1)多效性稳健估计器:IVW(Burgess et al., 2013)、MR-Egger(Bowden et al., 2015)、加权中位数(Bowden et al., 2016)、众数估计(Hartwig et al., 2017),这些方法在不同假设下提供因果效应的一致估计。(2)INSIDE假设的检验与评估:Bowden et al. (2017) 的检验方法、本文提出的异方差性检验,以及Dudbridge et al. (2025) 的MR-GRIP。(3)编码不变性问题:Lin et al. (2022) 指出MR-Egger对等位基因编码的依赖性,Dudbridge et al. (2025) 通过GRIP属性解决这一问题。本文同时涉及后两条线索,将编码问题与INSIDE检验联系起来。
这个方向在追问的核心问题:(1)当所有工具变量都可能违反排除限制时,如何识别因果效应?(2)INSIDE假设在什么条件下可检验?(3)MR-Egger对编码方案的依赖是否意味着其假设本身缺乏实质内容?当前主流方法(MR-Egger及其变体)的已知瓶颈是:INSIDE假设无法直接验证,且MR-Egger的估计结果对等位基因编码敏感(Lin et al., 2022)。
⚠️ 作者的framing(这是作者的说法):作者将缺口framing为两个相互关联的问题。第一,全正编码方案(即对所有变异选择与暴露正相关的等位基因作为效应等位基因)并非任意的编码选择,而是等价于一种编码不变的模型——方程(5)中的 sgn(γ_j)Γ_j = sgn(γ_j)α_j + |γ_j|β。这一重参数化使得MR-Egger的假设可以被赋予实质性的解释:直接效应参数与单个工具变量比值估计量的偏倚方向一致。第二,作者声称,在常用的数据生成模型下,INSIDE违反会导致工具-结局系数相对于工具-暴露系数的异方差性,因此异方差性检验可以作为INSIDE假设的"部分检验"。作者同时承认(见第4.4节),这种检验既不是INSIDE的必要条件也不是充分条件——存在INSIDE违反但同方差的情形,也存在INSIDE成立但异方差的情形。什么明显该被引/该存在、却没出现在intro里?:作者没有讨论多效性方向与工具强度之间可能存在的非线性关系,也没有引用近期关于"多效性普遍性"的实证研究(如多效性在基因组中的广泛存在程度),这些可能影响INSIDE假设的先验合理性。此外,作者没有提及与MR-GENIUS(Tchetgen Tchetgen et al., 2021)在利用异方差性方面的联系——MR-GENIUS恰恰是利用工具-暴露关系的异方差性来识别因果效应,这与本文利用异方差性检验INSIDE在技术上有相通之处。
张力:被引文献之间存在一个明显的张力。Dudbridge et al. (2025) 的MR-GRIP通过重参数化实现编码不变性,其VICE假设(方差独立于协方差解释)与MR-Egger的INSIDE假设在数学上不等价,但两者都试图解决同一问题——多效性存在时的因果识别。本文作者指出,MR-GRIP的VICE假设与INSIDE假设在编码不变性上存在根本差异(第3.1节),但未明确讨论哪种假设在生物学上更合理。另一个张力是:Bowden et al. (2015) 原始论文中INSIDE被表述为工具强度与多效性效应独立,而本文将其重新表述为"偏倚方向与工具强度独立"(即 Cov(α_j·sgn(γ_j), |γ_j|) = 0),这一重新表述是否忠实于原始定义,值得读者自行判断。
二、最核心、最简单的例子 / 数学内核¶
第一步:符号、模型、可观测数据¶
符号清单(全文统一):
| 符号 | 含义 | 类型 |
|---|---|---|
| \( G_j \) | 第 \( j \) 个遗传变异(工具变量) | 随机变量 |
| \( X \) | 暴露 | 随机变量 |
| \( Y \) | 结局 | 随机变量 |
| \( \gamma_j \) | \( G_j \to X \) 的效应(工具强度) | 参数(未知) |
| \( \Gamma_j \) | \( G_j \to Y \) 的总效应 | 参数(未知) |
| \( \alpha_j \) | \( G_j \to Y \) 的直接效应(多效性) | 参数(未知) |
| \( \beta \) | \( X \to Y \) 的因果效应 | 目标参数(estimand) |
| \( \hat{\gamma}_j, \hat{\Gamma}_j \) | 有限样本估计量 | 随机变量 |
| \( \sigma^2_{\gamma_j}, \sigma^2_{\Gamma_j} \) | 估计量的抽样方差(已知) | 常数 |
| \( \beta_{R_j} = \Gamma_j / \gamma_j \) | 第 \( j \) 个变异的比值估计量(ratio estimand) | 参数 |
| \( b_j = \alpha_j / \gamma_j \) | 第 \( j \) 个比值估计量的偏倚 | 参数 |
| \( \alpha_j^* = \alpha_j \cdot \text{sgn}(\gamma_j) \) | 偏倚方向化的直接效应 | 参数 |
| \( \Gamma_j^* = \Gamma_j \cdot \text{sgn}(\gamma_j) \) | 偏倚方向化的总效应 | 参数 |
| ( \gamma_j^* = | \gamma_j | ) |
数据生成模型(方程1,全文基础):
这是汇总数据MR(summary-data MR)的经典模型:每个遗传变异 \( G_j \) 对结局 \( Y \) 的总效应 \( \Gamma_j \),分解为通过暴露 \( X \) 的间接效应 \( \gamma_j \beta \) 和直接效应 \( \alpha_j \)(即水平多效性)。若 \( \alpha_j = 0 \),该变异是有效工具变量。
可观测数据:对每个变异 \( j = 1, \dots, L \),研究者观测到: - \( \hat{\gamma}_j \):GWAS中 \( G_j \) 对 \( X \) 的回归系数(及其标准误 \( \sigma_{\gamma_j} \)) - \( \hat{\Gamma}_j \):GWAS中 \( G_j \) 对 \( Y \) 的回归系数(及其标准误 \( \sigma_{\Gamma_j} \))
关键假设(全文默认): - 工具变量之间相互独立(无连锁不平衡) - 估计量 \( \hat{\gamma}_j, \hat{\Gamma}_j \) 无偏且正态 - 因果效应 \( \beta \) 对所有变异相同(即无效应异质性)
MR-Egger回归:将方程(1)视为回归模型,以 \( \gamma_j \) 为自变量、\( \Gamma_j \) 为因变量:
其斜率估计量 \( \hat{\beta}_E \) 的渐近值为:
因此,MR-Egger一致估计 \( \beta \) 的充要条件是 INSIDE假设:\( \text{Cov}(\alpha_j, \gamma_j) = 0 \)。
全正编码方案:对每个变异,选择与暴露正相关的等位基因作为效应等位基因,使得 \( \hat{\gamma}_j > 0 \)(实际操作中用 \( \hat{\gamma}_j \) 的符号决定编码方向)。这是MR-Egger的标准做法。
第二步:最小内核——一个变异、一个偏倚、一个检验¶
最简情形:假设只有 \( L = 3 \) 个遗传变异。每个变异 \( j \) 的比值估计量为:
其中 \( b_j = \alpha_j / \gamma_j \) 是第 \( j \) 个比值估计量的偏倚。注意:\( b_j \) 的符号完全由 \( \alpha_j / \gamma_j \) 决定,而 \( \gamma_j \) 的符号取决于编码方案。
全正编码的数学含义:在全正编码下,\( \gamma_j > 0 \),因此:
即:全正编码下,直接效应 \( \alpha_j \) 的方向就是比值估计量偏倚的方向。这是本文第3.2节的核心观察——作者将 \( \alpha_j^* = \alpha_j \cdot \text{sgn}(\gamma_j) \) 称为"偏倚方向化的直接效应"(bias-oriented direct effect),其方向与 \( b_j \) 一致。
为什么这很重要:考虑MR-Egger的估计目标。在全正编码下,方程(1)变为:
其中 \( \Gamma_j^* = \Gamma_j \cdot \text{sgn}(\gamma_j) \),\( \gamma_j^* = |\gamma_j| \)。这个方程是编码不变的——无论原始编码如何,\( \Gamma_j^* \) 和 \( \gamma_j^* \) 都不变。因此,MR-Egger的估计量 \( \hat{\beta}_E = \text{Cov}(\Gamma_j^*, \gamma_j^*) / \text{Var}(\gamma_j^*) \) 也是编码不变的。但更重要的是,INSIDE假设在全正编码下变成了:
即:偏倚方向化的直接效应与工具强度无关。
异方差性检验的直觉:考虑方程(8)。如果 \( \alpha_j^* \) 与 \( \gamma_j^* \) 独立(强INSIDE),那么:
即 \( \Gamma_j^* \) 关于 \( \gamma_j^* \) 的条件方差是常数——同方差性。反过来,如果 \( \alpha_j^* \) 与 \( \gamma_j^* \) 相关(INSIDE违反),那么 \( \text{Var}(\Gamma_j^* | \gamma_j^*) \) 通常会随 \( \gamma_j^* \) 变化——异方差性。因此,检验 \( \Gamma_j^* \) 关于 \( \gamma_j^* \) 的异方差性,可以间接检验INSIDE假设。这就是本文第4.1节的核心命题:强INSIDE蕴含同方差性。
为什么这个内核"一看就懂":整个论文的技术细节——包括模拟、真实数据分析、偏倚校正——都建立在这个简单的观察之上:如果工具强度与偏倚方向无关,那么不同强度的工具应该给出"同样分散"的估计;如果它们相关,那么强工具和弱工具的估计分散程度应该不同。异方差性检验就是检测这种"分散程度的不同"。
最小内核的局限(作者在第4.4节明确承认):同方差性是强INSIDE的必要条件而非充分条件。存在 \( \alpha_j^* \) 与 \( \gamma_j^* \) 相关但条件方差恰好恒定的特殊情形(例如 \( \alpha_j^* = c\gamma_j^* \) 时,\( \text{Var}(\Gamma_j^*|\gamma_j^*) = 0 \) 恒定)。因此,异方差性检验只能"证伪"INSIDE,不能"证实"INSIDE。此外,有限样本中估计量 \( \hat{\gamma}_j, \hat{\Gamma}_j \) 的抽样方差本身可能随 \( \gamma_j \) 变化(例如弱工具),这会导致检验的假阳性。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:MR-Egger回归所依赖的INSIDE假设缺乏实证检验方法,且其全正编码方案看似任意,本文旨在为INSIDE假设提供编码不变的重新解释,并提出基于异方差性检验的部分评估方法。
- 核心工具/方法:通过将全正编码方案等价地重参数化为编码不变的模型(方程5),将INSIDE假设转化为"偏倚方向化的直接效应与工具强度独立";利用强INSIDE蕴含同方差性这一理论结果,将Breusch-Pagan异方差性检验应用于MR-Egger回归的残差。
- 主要结论:在常用的数据生成模型下,异方差性检验能以较高功效检测某些类型的INSIDE违反(特别是多效性效应与工具强度相关的情形),但该检验既非必要也非充分条件;在真实数据(XL-HDL-C对AMD)中,移除一个离群变异后异方差性消失,提示该变异可能违反INSIDE。
关键设定与假设¶
数据生成模型(第2节):论文采用方程(1)的汇总数据模型,并进一步假设:
- \( \gamma_j \sim \text{Uniform}(0.01, 0.082) \)(模拟中),即所有工具均为弱工具(平均解释暴露变异约0.1%)
- \( \alpha_j = \alpha_{0j} + \psi_j \kappa_{Xj} \),其中 \( \alpha_{0j} \) 是直接多效性效应,\( \psi_j \) 是工具对混杂 \( U_j \) 的效应,\( \kappa_{Xj} \) 是 \( U_j \) 对 \( X \) 的效应(第4.2.1节)
- 工具之间相互独立,无连锁不平衡
- 两样本MR设定:\( \hat{\gamma}_j \) 和 \( \hat{\Gamma}_j \) 来自不重叠的样本
相比已有文献的放宽/强化: - 相比Bowden et al. (2015) 的原始设定,本文放宽了INSIDE的表述——从"工具强度与直接效应不相关"放宽为"偏倚方向化的直接效应与工具强度不相关",后者是编码不变的。 - 相比Dudbridge et al. (2025) 的MR-GRIP,本文强化了假设——MR-GRIP的VICE假设要求 \( \text{Cov}(\gamma_j \alpha_j, \gamma_j^2) = 0 \),而本文的INSIDE要求 \( \text{Cov}(\alpha_j^*, \gamma_j^*) = 0 \),后者更强(因为前者允许 \( \alpha_j^* \) 与 \( \gamma_j^* \) 存在某种特定形式的相关)。 - 相比Hartwig et al. (2017) 的众数估计,本文不要求多数工具有效,而是要求工具强度与偏倚方向独立。
模拟设计(第5节):论文设置了三种场景: - 场景1:无水平多效性(\( \alpha_j = 0 \)),作为基准 - 场景2:方向性多效性但INSIDE成立(\( \alpha_j \) 与 \( \gamma_j \) 独立) - 场景3:INSIDE违反(\( \alpha_j \) 与 \( \gamma_j \) 相关,通过 \( \psi_j \) 与 \( \gamma_j \) 相关实现)
每种场景下,\( L \in \{50, 100, 150, 200\} \),样本量 \( n_X = n_Y \in \{25{,}000, 50{,}000, \dots, 200{,}000\} \),共模拟10,000次。
主要结果¶
理论结果:
-
全正编码等价于编码不变模型(第3.1节,方程5):\( \Gamma_j^* = \alpha_j^* + \gamma_j^* \beta \)。这一等价关系意味着,MR-Egger的估计量不依赖于编码选择,但其截距项 \( \hat{\alpha}_0 \)(即Egger截距)在编码变换下会改变符号。作者据此论证,全正编码并非任意选择,而是赋予INSIDE假设以"偏倚方向"的实质含义。
-
强INSIDE蕴含同方差性(第4.1节,方程9-13):在方程(8)下,如果 \( \alpha_j^* \perp\!\!\!\perp \gamma_j^* \),则 \( \text{Var}(\Gamma_j^*|\gamma_j^*) = \text{Var}(\alpha_j^*) \),即同方差。反之,如果 \( \alpha_j^* \) 与 \( \gamma_j^* \) 相关(INSIDE违反),则条件方差通常是 \( \gamma_j^* \) 的函数。
-
异方差性检验的局限性(第4.4节):作者明确列出三种检验失效的情形:
- \( \alpha_j^* = c\gamma_j^* \)(完全线性相关):条件方差恒定,但INSIDE严重违反;
- 抽样方差 \( \sigma^2_{\Gamma_j} \) 与 \( \gamma_j^* \) 相关(弱工具偏误);
- 多效性效应只影响高阶矩(例如 \( \alpha_j^* \) 的方差与 \( \gamma_j^* \) 相关,但均值不相关)。
模拟结果(表1,\( L=100, n=100{,}000 \)):
| 统计量 | 场景1 (\( \beta=0 \)) | 场景1 (\( \beta=0.5 \)) | 场景2 | 场景3 (\( \rho_\psi=0.5 \)) | 场景3 (\( \rho_\psi=0.75 \)) | 场景3 (\( \rho_\psi=1 \)) |
|---|---|---|---|---|---|---|
| MR-Egger偏倚 | 0.00 | -0.03 | 0.01 | 0.14 | 0.16 | 0.14 |
| MR-Egger覆盖率 | 95.5% | 82.4% | 93.9% | 8.7% | 4.8% | 8.5% |
| 异方差检验功效(线性) | 2.8% | 2.8% | 6.8% | 56.0% | 33.0% | 23.2% |
| 异方差检验功效(二次) | 2.8% | 2.5% | 9.0% | 43.9% | 28.3% | 19.4% |
关键发现: - 场景2(INSASE成立)中,异方差检验的拒绝率接近名义水平(6.8%和9.0%),说明检验有较好的特异性; - 场景3(INSIDE违反)中,检验功效随 \( \rho_\psi \) 增加而下降(56%→23%),作者解释这是因为 \( \rho_\psi \) 增大时,\( \psi_j \) 的变异减少,导致 \( \alpha_j^* \) 与 \( \gamma_j^* \) 的相关性减弱; - 异方差检验的功效远低于异质性检验(场景3中异质性检验功效>99.9%),说明异方差检验是"部分检验",只能检测特定类型的INSIDE违反。
真实数据应用(第6节,表2):
- 数据:27个遗传变异,暴露为XL-HDL-C,结局为年龄相关性黄斑变性(AMD)
- 全样本分析:IVW估计为0.03(95% CI: -0.35, 0.40),MR-Egger估计为-0.13(95% CI: -0.60, 0.33),两者方向不一致;异方差检验p<0.0001,强烈提示INSIDE违反
- 散点图显示一个明显离群点(红色标记),该变异具有最大的 \( \gamma_j^* \) 和负的比值估计量
- 移除该离群点后:所有方法估计值收敛至0.65-0.72,异方差检验p=0.9564,异质性检验仍显著(p=0.0252)
- 作者结论:该离群点可能是违反INSIDE的变异,移除后MR-Egger估计与中位数估计一致
证明路线与技术技巧¶
整体路线(从假设到结论):
-
重参数化:将方程(1)乘以 \( \text{sgn}(\gamma_j) \),得到编码不变的方程(8)。这一步的关键作用是消除编码任意性,使INSIDE假设可以被赋予实质解释。
-
条件方差分解:计算 \( \text{Var}(\Gamma_j^*|\gamma_j^*) \)。在方程(8)下:
\[\text{Var}(\Gamma_j^*|\gamma_j^*) = \text{Var}(\alpha_j^*|\gamma_j^*)\]如果强INSIDE成立(\( \alpha_j^* \perp\!\!\!\perp \gamma_j^* \)),则此方差为常数。这是连接INSIDE与异方差性的桥梁。 -
数据生成模型的因果分解(第4.2节):论文将 \( \alpha_j \) 分解为 \( \alpha_{0j} + \psi_j \kappa_{Xj} \),并分别考虑水平多效性(图1a)和混杂(图1b)两种机制。对每种机制,推导 \( \text{Cov}(\alpha_j^*, \gamma_j^*) \) 的表达式,证明在一般条件下INSIDE违反会导致异方差性。
-
模拟验证:通过蒙特卡洛模拟验证理论预测,并展示检验的有限样本性质。
关键技术技巧:
- 符号函数的巧妙使用:\( \text{sgn}(\gamma_j) \) 的引入使得 \( \gamma_j^* = |\gamma_j| \) 总是非负,从而将"编码方向"与"效应大小"分离。这一技巧使得INSIDE假设的表述不再依赖于编码选择。
- Breusch-Pagan检验的Koenker学生化版本:论文使用Koenker (1981) 的学生化版本而非原始Breusch-Pagan检验,因为前者对误差分布的非正态性更稳健。这在MR的上下文中很重要,因为 \( \hat{\Gamma}_j \) 的抽样分布可能高度非正态(尤其当 \( L \) 较小时)。
- 模拟中的弱工具处理:论文在模拟中使用了 \( \gamma_j \sim \text{Uniform}(0.01, 0.082) \),对应的F统计量约为10-30,这模拟了MR实践中常见的弱工具场景。作者发现弱工具偏误(即 \( \hat{\gamma}_j \) 的抽样误差导致 \( \text{sgn}(\hat{\gamma}_j) \neq \text{sgn}(\gamma_j) \))会引入额外的异方差性,这是检验假阳性的重要来源。
证明中的关键步骤(第4.2.1节,水平多效性情形):
- 设 \( \gamma_j = \delta_j + \psi_j \kappa_{Xj} \),\( \alpha_j = \alpha_{0j} + \psi_j \kappa_{Yj} \)
- 则 \( \text{Cov}(\alpha_j^*, \gamma_j^*) = \text{Cov}(\alpha_{0j} + \psi_j \kappa_{Yj}, |\delta_j + \psi_j \kappa_{Xj}|) \)
- 当 \( \psi_j = 0 \) 时,INSIDE成立,协方差为0;
- 当 \( \psi_j \neq 0 \) 时,协方差一般不为0,且 \( \text{Var}(\Gamma_j^*|\gamma_j^*) \) 依赖于 \( \gamma_j^* \),产生异方差性。
🔎 结论是否比证明窄:
- 论文在摘要和引言中声称"异方差性检验可用于评估INSIDE假设",但在第4.4节中承认该检验"既非必要也非充分"。这一表述差异值得注意——结论的适用范围比标题暗示的要窄。
- 论文的模拟只覆盖了水平多效性(图1a)和混杂(图1b)两种机制,没有考虑其他类型的INSIDE违反(例如基因-环境交互作用、选择偏倚等)。
- 论文声称"全正编码方案等价于编码不变模型",但这一等价性依赖于方程(1)的线性假设。如果真实关系是非线性的,编码不变性可能不再成立。
- 真实数据应用中,移除离群点后异方差性消失,但作者没有讨论这是否是"选择性报告"——即如果移除其他变异也能消除异方差性,结论是否会改变。
四、开放问题¶
-
异方差性检验的统计功效:论文的模拟显示,即使 \( L=200, n=200{,}000 \),对某些类型的INSIDE违反(如 \( \rho_\psi=1 \)),检验功效也只有约23%。如何提高检验对特定违反模式的敏感度?是否可以利用更灵活的条件方差模型(如非参数回归)?
-
检验的零模型:论文的检验零假设是"强INSIDE成立",但实际中更相关的零假设可能是"INSIDE成立但允许某些类型的依赖"(例如 \( \alpha_j^* \) 与 \( \gamma_j^* \) 的均值独立但方差相关)。如何构建更贴近实际零模型的检验?
-
与MR-GRIP的关系:论文指出INSIDE和VICE假设在编码不变性上存在差异,但未深入讨论两种假设在生物学上的可解释性差异。在什么条件下,VICE比INSIDE更合理?反之亦然?
-
子集搜索的计算问题:论文第4.5节提出的偏倚校正方法需要找到最大的同方差子集,但未讨论搜索策略的计算复杂度。当 \( L \) 较大时(如 \( L > 100 \)),穷举搜索不可行,需要发展高效的子集选择算法。
-
与贝叶斯模型平均的结合:论文引用了Shapland et al. (2020) 的贝叶斯模型平均方法,但未讨论异方差性检验如何与BMA结合。是否可以将异方差性作为BMA的先验信息?
-
多效性方向与工具强度的生物学机制:论文的模拟假设 \( \psi_j \) 与 \( \gamma_j \) 之间存在线性相关,但真实生物学中,多效性效应与工具强度的关系可能更复杂(例如,通过基因调控网络产生的非线性关系)。基于真实生物学机制的数据生成模型会如何影响检验的性质?
-
验证性检验的哲学问题:论文提出的检验是"证伪性"的——只能拒绝INSIDE,不能确认INSIDE。在MR实践中,当检验不拒绝时,研究者应如何解读?是否应该报告检验的功效或置信区间?
提醒:要确认上述问题是否为真gap,建议去读同子领域(MR方法学)近期约5篇论文的引言部分——如果多篇都指向"INSIDE假设缺乏检验方法"这一共识,说明这是真gap;如果各篇对INSIDE的表述不一致,则可能说明问题本身需要重新framing。
Maintained by 陈星宇 · Homepage · Source on GitHub