（inverse-varianceweighted，IVW）和MR-Egger法。
数据准备：
SNP列；暴露的beta值；暴露的se值；结局的beta值；结局的se值
注：
beta值就是SNP对表型（暴露或者结局）的效应量，se是beta值的标准误（standarderror）；p值可以根据beta和se算出（R语言：pval<-2*pnorm(abs(b/se),lower.tail=FALSE)）
暴露和结局的效应等位基因（effect allele）一致
IVW法（逆方差加权法）
特点：回归时不考虑截距项的存在并且用结局方差（se的二次方）的倒数作为权重来进行拟合，具体的R语言代码如下：
fit <- summary(lm(b_out ~ -1 +b_exp, weights = 1/se_out^2)) b_out表示结局的beta值，b_exp表示暴露的beta值，se_out就是结局的标准误，se_out^2就代表结局beta值的方差，而模型中的-1表示的就是去除截距项。lm()函数表示拟合线性模型（linear model），summary()函数是用来汇总回归模型拟合的结果。
这次回归得出来的beta，se和P值就是MR分析的结果。
MR-Egger法
特点：回归时考虑截距项的存在，使用结局方差（se的二次方）的倒数作为权重来进行拟合，具体的R语言代码如下：
fit <- summary(lm(b_out ~ b_exp, weights = 1/se_out^2))
和IVW的区别在于少了-1，这是因为R函数lm()里默认回归模型保留截距项。同样地，这次回归得出来的beta，se和P值就是MR分析的结果。
在IVW的假设中，我们认为这些SNP（也称IV）是没有多效性的，同时考虑到GWAS的结果多为表型标准化后做出来的，所以我们认为结局和暴露之间是正比例关系。因此，我们在使用IVW方法必须要保证这些SNP没有多效性，否则结果会有很大的偏倚。
在MR-Egger的假设中，我们考虑截距项的存在，并用它来评估多效性。如果该截距项和0非常接近，那么MR-Egger回归模型就和IVW非常接近，但是如果截距项和0相差很大，那就说明这些IV间可能有水平多效性存在。
from：
作者：将子无怨
链接：https://zhuanlan.zhihu.com/p/268053167