Federated Causal Inference in Heterogeneous Observational Data
异质性观察数据中的联邦因果推断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：摘要明确以多站点观察数据的平均处理效应及倾向得分聚合推断为目标。
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…
异质性观察数据中的联邦因果推断
- 研究问题
- 多站点无法共享个体数据且人群、处理分配机制和结果关系不同，如何仅汇总本地统计量，对合并人群的平均处理效应进行推断？
- 方法与思路
- 作者先在各站点利用倾向得分计算汇总统计量，再跨站点聚合形成平均处理效应的点估计与方差估计，并考虑站点异质性。
- 材料陈述的贡献
- 摘要称，恰当处理站点间分配和结果异质性的聚合方案可获得一致性与渐近正态性，并通过两个大型医疗理赔数据库的比较展示方法。
- 阅读关注点
- 应核对合并人群效应的加权定义、站点内识别条件、倾向得分估计要求，以及允许何种异质性和需要交换哪些汇总信息。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明完整识别和重叠条件，无法共享个体数据也不等于具有正式隐私保证。
原文摘要
We are interested in estimating the effect of a treatment applied to individuals at multiple sites, where data is stored locally for each site. Due to privacy constraints, individual-level data cannot be shared across sites; the sites may also have heterogeneous populations and treatment assignment mechanisms. Motivated by these considerations, we develop federated methods to draw inference on the average treatment effects of combined data across sites. Our methods first compute summary statistics locally using propensity scores and then aggregate these statistics across sites to obtain point and variance estimators of average treatment effects. We show that these estimators are consistent and asymptotically normal. To achieve these asymptotic properties, we find that the aggregation schemes need to account for the heterogeneity in treatment assignments and in outcomes across sites. We demonstrate the validity of our federated methods through a comparative study of two large medical claims databases.