One-Sample Mendelian Randomization and Instrumental Variable Analyses in R and Stata: The OneSampleMR and ivonesamplemr Packages¶
作者: Tom Palmer, Nicolai Vitt, Eleanor Sanderson
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2611.02887
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)是流行病学中利用遗传变异作为工具变量(Instrumental Variable, IV)来推断暴露对结局因果效应的一种研究设计。其核心思想是:等位基因在配子形成时随机分配,因此遗传变异通常与混杂因素无关,从而可以类比于随机对照试验中的随机分组。本文聚焦于单样本 MR(one-sample MR),即在同一个体水平数据集中同时观测到遗传变异、暴露和结局。与两样本 MR(two-sample MR,仅需汇总统计量)相比,单样本 MR 允许使用更丰富的估计方法,特别是当结局为二元变量时,研究者往往希望报告因果风险比(risk ratio)或因果比值比(odds ratio),而非线性 IV 模型给出的风险差(risk difference)。该子方向的根本问题是:在个体水平数据下,如何在放松线性假设的同时,利用 IV 识别并估计暴露对二元结局的因果效应,并给出正确的统计推断(尤其是考虑第一阶段估计不确定性的标准误)?
发展脉络¶
- 奠基工作:IV 方法与 SMM 的提出。工具变量方法在计量经济学中有悠久历史,而结构均值模型(Structural Mean Models, SMM)由 Robins(1989, 1994)提出,为在潜在结果框架下利用 IV 识别因果效应提供了半参数建模工具。Robins 的工作奠定了本文所介绍估计量的理论基础。Hernán 和 Robins(2006)进一步将 IV 方法系统引入流行病学,明确了因果推断视角下的 IV 假设。
- 主要进展:SMM 的 GMM 估计与二元结局扩展。Clarke, Palmer 和 Windmeijer(2011,被引文献 [2])是关键进展:他们展示了如何用广义矩方法(GMM)估计乘法和 logistic SMM,并处理多个工具变量的情形。该文还证明了乘性 SMM 的矩条件与 Mullahy(1997)的估计量等价,后者已在 Stata 的
ivpoisson命令中实现。Vansteelandt 等(2011,被引文献 [11])系统比较了二元结局下 IV 估计量的性质,指出 logistic SMM 估计的是条件因果比值比,且由于比值比不可压缩性(noncollapsibility),其与因果风险比存在差异。Dukes 和 Vansteelandt(2018)进一步揭示了乘性 SMM 矩条件与 gamma 回归的等价性。 - 当前 frontier:软件生态与非线性探索。两样本 MR 的软件生态已相当成熟(如
TwoSampleMR、MendelianRandomization、mrrobust),但单样本 MR 的软件支持相对分散。本文的两个包填补了这一空白:OneSampleMR(R)和ivonesamplemr(Stata)将 SMM、TSPS、TSRI 等估计量统一在 GMM 框架下,并提供 Sanderson-Windmeijer 条件 F 统计量(被引文献 [1])以评估多暴露模型中的工具强度。此外,ivonesamplemr提供的移动窗口和分位数内估计命令(基于 Burgess 等 2014,被引文献 [9])代表了当前探索非线性暴露-结局关系的前沿方向。值得注意的是,非线性 MR 本身是一个活跃的研究领域,Burgess(2023,被引文献 [16])和 Hamilton 等(2024,被引文献 [17])的工作表明,当遗传变异对暴露的效应在不同暴露水平上不同(即常数遗传效应假设被违反)时,分层估计可能产生严重偏倚。
子线索聚类¶
- SMM 的估计理论:Robins(1989, 1994)、Vansteelandt 和 Goetghebeur(2003)、Clarke 等(2011)、Vansteelandt 等(2011)、Dukes 和 Vansteelandt(2018)。这条线索关注如何在半参数模型下利用 IV 识别因果效应,核心工具是 GMM 和估计方程。
- 两样本 MR 软件与平台:Hemani 等(2018,被引文献 [3])、Yavorska 和 Burgess(2017,被引文献 [4])、Spiller 等(2017,被引文献 [12])。这条线索建立了 MR 分析的软件生态,但主要面向两样本设计。
- 工具强度诊断:Sanderson 和 Windmeijer(2013,被引文献 [1])、Stock 和 Yogo(2005)。这条线索关注弱工具问题,尤其是多暴露模型中的条件 F 统计量。
- 非线性 MR 方法:Burgess 等(2014,被引文献 [9])、Burgess(2023,被引文献 [16])、Hamilton 等(2024,被引文献 [17])。这条线索试图放松线性假设,但面临常数遗传效应假设被违反时的偏倚风险。
这个方向在追问的核心问题¶
- 二元结局下 IV 估计量的解释:不同估计量(TSPS、TSRI、SMM)在二元结局下估计的究竟是什么参数?如何向应用研究者解释这些参数的差异(风险差 vs. 风险比 vs. 比值比)?
- 弱工具下的推断可靠性:当工具变量较弱时,GMM 标准误的有限样本性质如何?条件 F 统计量能否有效诊断多暴露模型中的弱识别问题?
- 非线性关系的识别:如何在放松线性假设的同时保持 IV 假设的有效性?分层和移动窗口方法在常数遗传效应假设被违反时如何偏倚?
⚠️ 作者的 framing¶
作者将缺口 frame 为软件碎片化:单样本 MR 的估计量分散在多个包中,且缺乏统一接口和正确的标准误处理。作者声称"Having the main one-sample estimators in one place, with a common interface and documentation aimed at MR analysts, in the way that TwoSampleMR and MendelianRandomization do for two-sample MR, makes them easier to apply and to compare."(第 1 节)。这是一个应用/工具导向的 framing,而非方法论创新。作者明确承认"These packages do not introduce new methodology"(第 8 节)。被淡化的竞争路线包括:ivtools 包(Sjölander 和 Martinussen 2019)已提供部分 SMM 和两阶段估计量,但作者指出其接口需要用户手动拟合和组合组件模型,且不支持 log-multiplicative 链接。此外,作者回避了贝叶斯方法和非参数识别路线——这些方法在弱工具或复杂非线性设定下可能更稳健,但计算成本更高。
张力¶
未见明显对立引用。但存在一个微妙的张力:一方面,非线性 MR 方法(Burgess 等 2014)试图探索暴露-结局关系的非线性;另一方面,Burgess(2023)和 Hamilton 等(2024)表明这些方法在常数遗传效应假设被违反时可能产生严重偏倚。这暗示非线性 MR 的估计结果需要谨慎解释,而本文的包为这些方法提供了实现工具,但并未解决其方法论缺陷。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据¶
设:
- Y:结局变量(本文中为二元变量,取 0 或 1)。
- X:暴露变量(内生变量,可能与未观测混杂因素 U 相关)。
- Z:工具变量向量(遗传变异,如 SNP 或等位基因评分),维度为 L。
- W:可观测协变量向量(如年龄、性别、主成分等)。
- U:未观测混杂因素(不可观测,是内生性的来源)。
- Y(x):潜在结局(potential outcome),即在外部干预将暴露设为 x 时的结局。
- ψ:因果效应参数(标量,本文关注单个暴露)。
- β₀:暴露-free 潜在结局的均值,即 E[Y(0)]。
- e:第一阶段回归的残差,e = X − E[X | Z, W]。
模型设定(以乘性 SMM 为例):
即暴露每增加一个单位,结局均值的对数增加 ψ,因此 exp(ψ) 是因果风险比。在 IV 假设(相关性、独立性、排他性)下,Y(0) 与 Z 条件独立(给定 W),从而:
这给出了矩条件:
其中 β₀ = E[Y(0)]。当 L > 1 时,系统过度识别,可用 GMM 估计 (ψ, β₀),并用 Hansen's J 统计量检验过度识别约束。
可观测数据:个体水平数据 \(\{Y_i, X_i, Z_i, W_i\}_{i=1}^n\),n = 10,000(本文模拟数据)。注意:U 不可观测,但 IV 假设保证了 Z 与 U 独立(给定 W),从而矩条件 (1) 不涉及 U。
第二步:最小内核¶
最小内核:假设只有一个工具变量 Z(L = 1)、无协变量 W、暴露 X 连续、结局 Y 为二元变量。我们想估计因果风险比 exp(ψ)。
核心命题:在 IV 假设下,矩条件 \(E[Z \{ Y \exp(-\psi X) - \beta_0 \}] = 0\) 识别 ψ。
为什么成立:由排他性约束,Y(0) 与 Z 独立,故 E[Z Y(0)] = E[Z] E[Y(0)]。而 Y = Y(0) exp(ψX)(在乘性模型下),因此:
这给出一个方程。加上截距矩条件 E[Y exp(−ψX) − β₀] = 0,两个方程两个未知数 (ψ, β₀),恰好识别。
证明思路:GMM 估计量最小化样本矩条件的二次型。当 L = 1 时,系统恰好识别,GMM 估计量与矩估计量等价。标准误通过"夹心"公式计算,自动考虑第一阶段估计的不确定性(因为第一阶段参数和第二阶段参数在 GMM 中被联合估计)。
为什么这是核心:这个最小例子展示了 SMM 方法的本质——通过矩条件将因果效应从内生性中"分离"出来。一般情形(多工具、协变量、logistic 链接)只是在这个内核上增加复杂性:多工具引入过度识别检验,协变量需要条件矩条件,logistic 链接则需要非线性求解。TSPS 和 TSRI 是另一种策略:先用第一阶段预测 X̂,再在第二阶段用 X̂ 替代 X,但标准误必须通过 GMM 联合估计来修正。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:单样本 MR 分析中,如何在二元结局下使用 SMM、TSPS 和 TSRI 估计量报告因果风险比或比值比,并给出正确的标准误。
- 核心工具/方法:将 SMM、TSPS、TSRI 统一在 GMM 框架下,通过堆叠第一阶段和第二阶段估计方程,使标准误自动反映第一阶段估计的不确定性;
OneSampleMR(R)和ivonesamplemr(Stata)两个包并行开发,共享相同的估计方程和参数化。 - 主要结论:两个包在模拟数据上给出完全一致的结果,且与现有实现(如
ivtools、Stata 的ivpoisson)相符;OneSampleMR额外提供 Sanderson-Windmeijer 条件 F 统计量,ivonesamplemr额外提供非线性探索命令。
关键设定与假设¶
- IV 假设:相关性(Z 与 X 相关)、独立性(Z 与 U 独立,给定 W)、排他性(Z 仅通过 X 影响 Y)。这些假设在 MR 中通常由孟德尔随机分配保证,但无法完全检验。
- SMM 的额外假设:乘性 SMM 假设暴露对结局均值的影响在对数尺度上是线性的;logistic SMM 假设暴露对结局 log-odds 的影响是线性的。这些是建模假设,而非 IV 假设。
- TSPS/TSRI 的额外假设:TSPS 要求第一阶段模型正确设定;TSRI 要求第一阶段残差与第二阶段误差的独立性(或至少均值独立)。对于二元结局,TSPS 和 TSRI 的估计量通常不是一致的(除非额外假设),本文对此有明确说明(第 2.3 节)。
- 与已有文献的比较:相比
ivtools,本文的包支持 log-multiplicative 链接(TSPS/TSRI),且不需要用户手动组合组件模型;相比 Stata 的ivpoisson,本文的ivmsmm明确将其解释为乘性 SMM,并报告 β₀ 的估计。
主要结果¶
- 模拟数据:n = 10,000,3 个工具变量(Z₁, Z₂, Z₃),一个二元协变量 W,一个未观测混杂 U,两个暴露(X 和 X₂),一个二元结局 Y 和一个连续结局 Yc。数据生成模型为:X = 0.5Z₁ + 0.4Z₂ + 0.3Z₃ + 0.5W + U + ε₁,log Pr(Y=1|X,W,U) = −3 + log(1.3)X + U + 0.3W。真实因果风险比为 1.3。
- 估计结果:
- MSMM(矩条件 (1)):风险比 1.24(95% CI 1.12–1.37),与真实值 1.3 一致。
- MSMM(矩条件 (2),即 Mullahy 参数化):风险比 1.223(95% CI 1.102–1.357),与
ivpoisson一致。 - LSMM:比值比 1.304(95% CI 1.157–1.469)。
- TSPS/TSRI(log-additive):风险比 1.240(95% CI 1.127–1.366)。
- TSPS/TSRI(logit):比值比 1.297(95% CI 1.145–1.457)。
- 所有估计量的置信区间都包含真实值 1.3,且两个包的结果一致到小数点后三位。
- 与现有实现的比较:
OneSampleMR的msmm()与ivtools::ivglm()在单一工具变量下给出完全一致的结果(估计值 0.1999973,七位小数一致);ivonesamplemr的ivmsmm与 Stata 的ivpoisson, gmm一致。 - 条件 F 统计量:在双暴露模型中,X 和 X₂ 的 Sanderson-Windmeijer 条件 F 统计量分别为 63.24 和 59.82,远高于 Stock-Yogo 临界值 19.93(5% 水平,允许 10% 的 Wald 检验尺寸扭曲),表明两个暴露均被充分识别。
🔎 结论是否比证明窄¶
- 明确承认的局限:TSPS 和 TSRI 估计量在二元结局下通常不一致(第 2.3 节),本文将其定位为"近似"方法,并推荐 SMM 作为首选。这一 caveat 在摘要和结论中均有体现。
- 未明确说明的局限:所有估计量都假设暴露效应在对数尺度上是线性的,且没有讨论工具变量之间的效应异质性(即每个 SNP 的因果效应可能不同)。此外,模拟数据中未包含工具变量与协变量的交互项,因此无法检验模型对效应修饰的敏感性。
- 结论的适用范围:本文的结论严格限于"软件实现正确性"——即两个包给出相同结果且与现有实现一致。作者没有声称这些估计量在弱工具或模型误设下表现良好,也没有提供任何有限样本性质的模拟研究(如偏差、覆盖概率)。因此,结论比证明窄:它证明了"软件正确",而非"方法有效"。
四、开放问题¶
-
多暴露 TSPS/TSRI 的扩展:本文明确说明 TSPS/TSRI 目前仅允许单个暴露(第 8 节:"A limitation of both packages is that the TSPS and TSRI estimators allow only a single exposure")。扩展到多暴露需要处理多个第一阶段残差的相关性,以及第二阶段模型中残差项的联合分布——这是一个直接的、有明确技术路径的扩展。
-
弱工具下的有限样本性质:本文的 GMM 标准误是渐近的。在弱工具(如 F < 10)或二元结局下,GMM 估计量的有限样本偏差和覆盖概率如何?本文未提供任何模拟研究。扎根于第 2.2 节对 GMM 的依赖——这是一个可以立即用模拟回答的问题。
-
非线性 MR 的偏倚校正:本文的
ivonesamplemr提供了移动窗口和分位数内估计命令,但 Burgess(2023)和 Hamilton 等(2024)已证明这些方法在常数遗传效应假设被违反时可能产生严重偏倚。如何在这些方法中加入对遗传效应异质性的校正(例如通过加权或双重排序)?这是一个开放的方法论问题,本文的包为应用研究者提供了工具,但未提供偏倚校正方案。 -
与两样本 MR 的桥接:本文聚焦单样本 MR,但许多实际分析中,基因-暴露关联和基因-结局关联来自不同样本(两样本 MR)。能否将本文的 GMM 框架扩展到两样本设定,使得 SMM 和 TSPS/TSRI 估计量在仅使用汇总统计量时也可用?这是一个有实际需求的方向。
提醒:要确认上述开放问题是否是真 gap,建议去读单样本 MR 方法学近 5 年的综述(如 Sanderson 等 2022 的 Nature Reviews Methods Primers 文章)以及 ivtools、MendelianRandomization 的近期更新日志——如果这些包的开发者已在 GitHub 上声明了类似扩展计划,则相应问题的"空白"程度会降低。
Maintained by 陈星宇 · Homepage · Source on GitHub