如何用线性回归结果计算Wald统计量及Stata孟德尔随机化实现

1. 利用线性回归结果计算Wald比率统计量 #

假设已通过线性回归得到两组核心结果：

• 结局变量A对工具变量X的回归：系数$\hat{\beta}_A$，标准误$SE_A$
• 暴露变量B对工具变量X的回归：系数$\hat{\beta}_B$，标准误$SE_B$

核心计算步骤 #

• 因果效应估计值：
  $\hat{\theta} = \frac{\hat{\beta}_A}{\hat{\beta}_B}$
• 标准误（SE）：基于delta方法推导：
  $SE(\hat{\theta}) = \left| \hat{\theta} \right| \times \sqrt{\left( \frac{SE_A}{\hat{\beta}_A} \right)^2 + \left( \frac{SE_B}{\hat{\beta}_B} \right)^2}$
• Wald统计量与P值：
  Wald统计量为$W = \left( \frac{\hat{\theta}}{SE(\hat{\theta})} \right)^2$，对应自由度为1的卡方分布；或用Z检验$Z = \frac{\hat{\theta}}{SE(\hat{\theta})}$，P值通过标准正态分布计算：$P = 2 \times (1 - \Phi(|Z|))$（$\Phi$为标准正态累积分布函数）。

2. Stata中单样本孟德尔随机化的Wald比率法高效实现 #

方法一：直接用ivregress命令（最简便） #

单工具变量的孟德尔随机化等价于两阶段最小二乘（2SLS），用ivregress可一步输出所有结果：

* 替换为你的实际变量名：outcome=结局A, exposure=暴露B, instrument=工具变量X
ivregress 2sls outcome (exposure = instrument), robust

输出中exposure行的系数即因果估计值，Std. Err.为标准误，P>|t|为P值；robust选项用于生成稳健标准误，适配异方差场景。

方法二：使用专用MR命令包 #

Stata的mendelianrandomization模块提供了专门的Wald分析工具：

1. 安装模块（首次使用）：

ssc install mendelianrandomization

2. 执行分析：

mr_wald outcome exposure instrument

命令会直接输出因果估计值、标准误、95%置信区间和P值，无需手动计算。

方法三：自定义提取结果计算（适合个性化需求） #

若需灵活调整计算逻辑，可通过estimates命令自动提取回归结果并计算：

* 结局对工具变量回归，保存结果
reg outcome instrument, robust
estimates store reg_outcome

* 暴露对工具变量回归，保存结果
reg exposure instrument, robust
estimates store reg_exposure

* 提取系数与SE
scalar beta_A = _b[instrument]
scalar se_A = _se[instrument]
scalar beta_B = _b[instrument] from reg_exposure
scalar se_B = _se[instrument] from reg_exposure

* 计算核心指标
scalar theta = beta_A / beta_B
scalar se_theta = abs(theta) * sqrt( (se_A/beta_A)^2 + (se_B/beta_B)^2 )
scalar z_stat = theta / se_theta
scalar p_val = 2 * (1 - normal(abs(z_stat)))

* 输出结果
disp "因果估计值: " theta
disp "标准误: " se_theta
disp "Z统计量: " z_stat
disp "P值: " p_val

内容的提问来源于stack exchange，提问作者Beryl