孟德尔随机化研究借助遗传变异这一工具变量，来评估暴露因素与结局变量之间的因果效用。为了准确评估因果效应的大小，有多种方法相继被发明。本文重点看下其中常用的两种方法。
1. IVW
IVW全称如下
Inverse-Variance Weighted
称之为逆方差加权，由Burgess等提出，文章链接如下
https://onlinelibrary.wiley.com/doi/pdf/10.1002/gepi.21758
每个遗传变异k计算得到的暴露因素与结局变量的因果效应值用如下的比值表示
Xk表示的是在遗传变异与暴露因素的gwas分析中，k这个位点对应的效应值，beta值。类似的，Yk表示的是在遗传变异与结局变量的gwas分析中，k这个位点对应的效应值。这种计算方法称之为比值法。
对于所有工具变量总的因果效应值，通过meta分析中的固定效应模型来评估，公式如下
对应的标准误计算如下
通过加权线性回归来进行求解，强制线性回归的截距项为0。在IVW中，假设各个遗传变异是相互独立的。当存在多效性时，对因果效应的估计会出现偏差。
2. MR-Egger
MR-Egger回归对IVW方法进行了修改，不在强制线性回归的截距项为0，而是用截距项来表示工具变量的平均多效性，对应的文章链接如下
https://academic.oup.com/ije/article/44/2/512/754653
采用了meta分析中检测偏倚的egger检验方法，用回归直线的截距来横标偏倚性。在meta分析中，常通过漏斗图是否对称来判断数据是否存在偏倚，这种方法依靠的是视觉判断，确实量化机制，而egger检验就是一种量化漏斗图的方式，将漏斗图中的x和y进行线性回归，如果回归方程的截距为0，说明不存在偏倚；截距不为0，说明存在偏倚。
这里的偏倚在MR分析中，通常就是指遗传变异的多效性。当存在多效性时，用MR-Egger方法会更加合适。
在TwoSampleMR包中，默认就是采用这两种方法来评估效应值。
