Federated Causal Inference from Multi-Site Observational Data via Propensity Score Aggregation
通过倾向得分聚合实现多站点观测数据的联邦因果推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以分散观测数据中的平均处理效应为目标，并采用倾向得分加权和增广估计进行因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过倾向得分聚合实现多站点观测数据的联邦因果推断
- 研究问题
- 当观测数据分散于多个站点且无法集中个体记录时，如何利用站点之间不同的处理分配机制估计总体平均处理效应？
- 方法与思路
- 作者用给定协变量的站点归属概率，对本地倾向得分进行联邦加权聚合，再构造联邦逆概率加权及增广逆概率加权估计量。
- 材料陈述的贡献
- 摘要称方法能利用站点间处理分配异质性改善重叠，并在理论分析、模拟和真实数据实验中呈现相对若干比较方法的优势。
- 阅读关注点
- 应核对总体目标人群、跨站点可比性与整体重叠条件，以及归属概率估计、统计量交换和联邦方差估计的实现要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未详述识别条件，也不能据此认定方法保证隐私或解决所有重叠不足。
原文摘要
Causal inference typically assumes centralized access to individual-level data. Yet, in practice, data are often decentralized across multiple sites, making centralization infeasible due to privacy, logistical, or legal constraints. We address this problem by estimating the Average Treatment Effect (ATE) from decentralized observational data via a Federated Learning (FL) approach, allowing inference through the exchange of aggregate statistics rather than individual-level data. We propose a novel method to estimate propensity scores via a federated weighted average of local scores using Membership Weights (MW), defined as probabilities of site membership conditional on covariates. MW can be flexibly estimated with parametric or non-parametric classification models using standard FL algorithms. The resulting propensity scores are used to construct Federated Inverse Propensity Weighting (Fed-IPW) and Augmented IPW (Fed-AIPW) estimators. In contrast to meta-analysis methods, which fail when any site violates positivity, our approach exploits heterogeneity in treatment assignment across sites to improve overlap. We show that Fed-IPW and Fed-AIPW perform well under site-level heterogeneity in sample sizes, treatment mechanisms, and covariate distributions. Theoretical analysis and experiments on simulated and real-world data demonstrate clear advantages over meta-analysis and related approaches.