（inverse-varianceweighted，IVW）和MR-Egger法。
數據准備：
SNP列；暴露的beta值；暴露的se值；結局的beta值；結局的se值
注：
beta值就是SNP對表型（暴露或者結局）的效應量，se是beta值的標准誤（standarderror）；p值可以根據beta和se算出（R語言：pval<-2*pnorm(abs(b/se),lower.tail=FALSE)）
暴露和結局的效應等位基因（effect allele）一致
IVW法（逆方差加權法）
特點：回歸時不考慮截距項的存在並且用結局方差（se的二次方）的倒數作為權重來進行擬合，具體的R語言代碼如下：
fit <- summary(lm(b_out ~ -1 +b_exp, weights = 1/se_out^2)) b_out表示結局的beta值，b_exp表示暴露的beta值，se_out就是結局的標准誤，se_out^2就代表結局beta值的方差，而模型中的-1表示的就是去除截距項。lm()函數表示擬合線性模型（linear model），summary()函數是用來匯總回歸模型擬合的結果。
這次回歸得出來的beta，se和P值就是MR分析的結果。
MR-Egger法
特點：回歸時考慮截距項的存在，使用結局方差（se的二次方）的倒數作為權重來進行擬合，具體的R語言代碼如下：
fit <- summary(lm(b_out ~ b_exp, weights = 1/se_out^2))
和IVW的區別在於少了-1，這是因為R函數lm()里默認回歸模型保留截距項。同樣地，這次回歸得出來的beta，se和P值就是MR分析的結果。
在IVW的假設中，我們認為這些SNP（也稱IV）是沒有多效性的，同時考慮到GWAS的結果多為表型標准化后做出來的，所以我們認為結局和暴露之間是正比例關系。因此，我們在使用IVW方法必須要保證這些SNP沒有多效性，否則結果會有很大的偏倚。
在MR-Egger的假設中，我們考慮截距項的存在，並用它來評估多效性。如果該截距項和0非常接近，那么MR-Egger回歸模型就和IVW非常接近，但是如果截距項和0相差很大，那就說明這些IV間可能有水平多效性存在。
from：
作者：將子無怨
鏈接：https://zhuanlan.zhihu.com/p/268053167