很多人问过我敏感性分析的问题，说明大家对敏感性分析普遍是有疑问的，我之前的推文中也没有详细的讲过，因此决定写这一篇补充一下敏感性分析的工作。
什么是敏感性分析
敏感性分析定义：敏感度分析是研究数学模型或系统(数值或其他)输出中的不确定性如何在其输入中被分配到不同的不确定性来源 ——摘自维基百科。
我知道这段拗口的定义让人看了，感觉跟没看一样。
所有的文字都认识，但是连起来就读不懂是什么意思了。
所以我直白的翻译一下，敏感性分析就是通过一些手段鉴定结果是否靠谱的一项分析。
为什么要进行敏感性分析
前面回答了敏感性分析的定义，显而易见，它的作用包括以下三项：
1）评估结果是否稳健，结论是否靠谱；
2）评估结果是否有潜在的偏倚（比如基因多效性，数据异质性）；
3）评估是否存在某一个工具变量严重影响结局变量；
敏感性分析包括什么
广义的敏感性分析包括以下三项：
1）基因多效性检验；
2）异质性检验；
3）“leave-one-out”法；
侠义的敏感性分析指的是“leave-one-out”法。
现在大多数的孟德尔随机化研究提到敏感性分析的时候指的是“leave-one-out”法。
基因多效性和异质性检验会单独拎出来讲。
敏感性分析的结果怎么看
1）基因多效性检验；
关于基因多效性的文章我之前有讲过，见推文使用MR-PRESSO检验水平基因多效性（孟德尔随机化分析）。
我这里就不再赘述了。
2）异质性检验；
来自不同的分析平台、实验、人群等的工具变量（IV，一般指SNP）可能存在异质性，最终影响结果。
异质性检验我之前也写过的，见推文有相关性就有因果关系吗，教你玩转孟德尔随机化分析
命令很简单，就一句mr_heterogeneity(dat)
异质性检验的结果看P值，P值大于0.05说明纳入的 IVs 不存在异质性，研究结果不需要考虑异质性造成的影响。
3）“leave-one-out”法；
“leave-one-out”法指的是逐步剔除每个SNP，计算剩余SNP的meta效应，观察剔除每个SNP后结果是否发生变化，如果剔除了某一个SNP后，结果改变很大，说明存在某一个SNP对结果影响很大，这是我们不愿意看到的情况。
理想的情况应该是逐步剔除某个SNP后结果变化不大。
如下图所示，剔除每个SNP后，总体的误差线变化不大（所有的误差线均在0的右侧或者所有的误差线在0的左侧），说明结果是靠谱的。
这期就讲到这啦，如果你有什么疑问，欢迎进群交流（见公众号菜单栏）或者向我提问，我会结合大家的需求考虑是否发推文统一解答。
