工具变量
Parent: ai_keywords
工具变量 (Instrumental Variable, IV)
【核心定义】
工具变量是一种用于从观测数据中推断因果效应的统计方法，核心思想是通过一个“外生”变量（工具变量）来模拟随机化，从而消除未观测混杂因素造成的偏倚。该变量需满足三个关键假设：相关性（与暴露因素强相关）、排他性（仅通过暴露因素影响结局）及独立性（不与混杂因素相关）。在医学研究中，常利用遗传变异（如SNP）作为天然工具变量实施孟德尔随机化（Mendelian Randomization）。
【关键技术点】
- 两阶段最小二乘法 (2SLS)：标准估计流程。第一阶段用工具变量预测暴露变量；第二阶段用拟合值回归结局，获得无偏因果效应估计。
- 弱工具变量诊断：当工具变量与暴露相关性很弱时，估计将产生巨大偏倚和宽置信区间。常用F统计量（>10为强工具）或偏R²进行判断。
- 过度识别检验：若存在多个工具变量，需检验其是否均满足排他性约束。常用Sargan或Hansen J统计量。
- 孟德尔随机化 (MR)：以基因型为工具变量，模拟随机对照试验中的随机分组，规避出生后环境混杂及反向因果。需警惕多效性偏倚。
- 敏感性分析：用于评估违反排他性假设时的稳健性，如E-value法、剔除离群工具变量的留一法。
【医学/神经科学应用场景】
案例：评估血清炎症因子与脑卒中后认知障碍的因果关系（首都医科大学神经病学研究背景）
神经病学研究者常面临混杂挑战：抑郁、教育程度等难以测量的因素同时影响炎症水平和认知结局。可采用孟德尔随机化策略，选取与炎症因子（如IL-6、TNF-α）显著关联的基因位点（例如IL6R基因rs2228145）作为工具变量。基于首都医科大学附属北京天坛医院大规模脑卒中队列的基因型与长程认知评估数据，运用2SLS估算炎症因子对Montreal Cognitive Assessment (MoCA)评分的因果效应。同时需控制染色体连锁不平衡及排除水平多效性（如通过MR-Egger回归评估）。该分析可为抗炎治疗干预脑卒中后认知障碍提供因果证据，避免传统观察性研究的混杂偏倚。
