04 · MR 估计方法

对应模块：R/06_mr_core.R参考：Burgess 2013（IVW）；Bowden 2015（Egger）；Bowden 2016（加权中位数）；Hartwig 2017（加权众数）；Zhao 2020（MR-RAPS）

作用

估计暴露对结局的因果效应。关键设计是按可用工具变量数自适应选择方法——1 个、2 个、≥3 个 IV 各有最合适的估计量与稳健方法组合。

自适应方法选择（`pick_methods`）

IV 数	主分析	附加稳健方法
1	Wald ratio	—（单 IV 无法评估异质性/多效性）
2	IVW（固定效应）	—
≥3	IVW（随机效应）	MR-Egger、加权中位数、加权众数、MR-RAPS

代码：

pick_methods <- function(n_iv) {
  if (n_iv == 1) return("mr_wald_ratio")
  if (n_iv == 2) return("mr_ivw_fe")
  c("mr_ivw_mre", "mr_egger_regression",
    "mr_weighted_median", "mr_weighted_mode", "mr_raps")
}

各方法要点

Wald ratio（单 IV）

最简单的比值估计：因果效应 = 结局效应 ÷ 暴露效应。

{\hat{β}}_{MR} = \frac{β_{outcome}}{β_{exposure}}

cis-pQTL 常只有 1 个独立工具，这是最常用的情形。

IVW（≥2 IV，主分析）

逆方差加权，把各 SNP 的 Wald 比值按精度加权平均。2 个 IV 用固定效应；≥3 个用随机效应（允许平衡的多效性带来的异质性，CI 更诚实）。IVW 是主结果。

MR-Egger（≥3 IV，稳健）

在 IVW 回归里加截距项：截距 ≠ 0 提示存在定向多效性（违反排他性假设）。斜率是校正多效性后的效应估计，截距本身的检验见敏感性分析。

加权中位数（≥3 IV，稳健）

只要 ≥50% 的权重来自有效工具，估计就一致——对少数无效工具稳健。

加权众数（≥3 IV，稳健）

基于"多数有效工具给出相近估计"的众数假设，对离群工具稳健。

MR-RAPS（≥3 IV，稳健）

Robust Adjusted Profile Score，对弱工具、多效性、样本重叠都更稳健（Zhao 2020）。因两样本 MR 可能有样本重叠偏倚，把它并入 ≥3 IV 的方法集。

效应量统一（`run_mr`）

调 TwoSampleMR::mr() 跑上述方法，再 generate_odds_ratios() 补 OR 与 95%CI。按结局性质统一输出：

binary 结局 → 输出 OR（or / or_lci95 / or_uci95）
continuous 结局 → 输出 beta（b / lo_ci / up_ci）

主分析行用正则稳健匹配标注（不同 TwoSampleMR 版本命名略有差异）：单 IV 认 Wald ratio，2 IV 认 fixed effects，≥3 认 random effects。结果表带上 overall_f、unclumped 标记，供下游汇总与报告。

输出字段

每个方法一行，含 method / n_iv / estimate_type(OR|beta) / point / ci_low / ci_high / pval / is_primary。is_primary == TRUE 的那行是写进主结果表和 pair_summary 的主估计。

下一步：≥3 IV 时进入敏感性分析，全面评估异质性、多效性与稳健性。

04 · MR 估计方法 ​

作用 ​

自适应方法选择（pick_methods） ​

各方法要点 ​

Wald ratio（单 IV） ​

IVW（≥2 IV，主分析） ​

MR-Egger（≥3 IV，稳健） ​

加权中位数（≥3 IV，稳健） ​

加权众数（≥3 IV，稳健） ​

MR-RAPS（≥3 IV，稳健） ​

效应量统一（run_mr） ​

输出字段 ​