Differentially Private Estimation of Weighted Average Treatment Effects for Binary Outcomes
二元结果加权平均处理效应的差分隐私估计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：摘要直接研究二元结果的加权平均处理效应，并将差分隐私纳入因果效应估计，属于因果推断方向。
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…
关注这篇论文的作者
二元结果加权平均处理效应的差分隐私估计
- 研究问题
- 使用敏感数据估计二元结果的加权平均处理效应时，如何限制统计发布的信息泄露，并评估隐私带来的精度损失？
- 方法与思路
- 作者开发满足差分隐私的加权处理效应估计算法，推导精度结果，并通过模拟及教育收入数据的因果分析展示表现。
- 材料陈述的贡献
- 摘要明确提出多种具有差分隐私保证的处理效应估计量，并提供其准确性的理论分析和经验示例。
- 阅读关注点
- 应核对隐私参数与相邻数据集定义、权重和识别要求，以及误差界如何随样本量和隐私约束变化。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体隐私预算、识别条件或精度损失大小。
原文摘要
In the social and health sciences, researchers often make causal inferences using sensitive variables. These researchers, as well as the data holders themselves, may be ethically and perhaps legally obligated to protect the confidentiality of study participants' data. It is now known that releasing any statistics, including estimates of causal effects, computed with confidential data leaks information about the underlying data values. Thus, analysts may desire to use causal estimators that can provably bound this information leakage. Motivated by this goal, we develop algorithms for estimating weighted average treatment effects with binary outcomes that satisfy the criterion of differential privacy. We present theoretical results on the accuracy of several differentially private estimators of weighted average treatment effects. We illustrate the empirical performance of these estimators using simulated data and a causal analysis using data on education and income.