Collaborative causal inference with a distributed data-sharing management
分布式数据共享管理下的协作因果推断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：摘要明确研究分布式多中心数据中的倾向得分建模与因果推断，直接对应因果推断方向。
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
分布式数据共享管理下的协作因果推断
- 研究问题
- 多中心数据无法集中合并时，如何仅共享汇总统计量进行因果推断，并尽量保留集中分析的统计功效？
- 方法与思路
- 作者提出分布式协作框架，以汇总统计量代替个体原始数据共享，讨论倾向得分相关建模、算法及大样本性质。
- 材料陈述的贡献
- 摘要称，该方法对中心间分布不均衡较不敏感，相比集中方法功效损失较小，并用模拟及移植患者临床试验作说明。
- 阅读关注点
- 应核对具体共享哪些统计量、跨中心异质性的处理、因果识别条件、通信步骤，以及功效和隐私保护主张的评价依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明隐私威胁模型或功效损失数值，仅共享汇总量不构成正式隐私保证。
原文摘要
Data sharing barriers are paramount challenges arising from multicenter clinical trials where multiple data sources are stored in a distributed fashion at different local study sites. Merging such data sources into a common data storage for a centralized statistical analysis requires a data use agreement, which is often time-consuming. Data merging may become more burdensome when causal inference is of primary interest because propensity score modeling involves combining many confounding variables, and systematic incorporation of this additional modeling in meta-analysis has not been thoroughly investigated in the literature. We propose a new causal inference framework that avoids the merging of subject-level raw data from multiple sites but needs only the sharing of summary statistics. The proposed collaborative inference enjoys maximal protection of data privacy and minimal sensitivity to unbalanced data distributions across data sources. We show theoretically and numerically that the new distributed causal inference approach has little loss of statistical power compared to the centralized method that requires merging the entire data. We present large-sample properties and algorithms for the proposed method. We illustrate its performance by simulation experiments and a real-world data example on a multicenter clinical trial of basal insulin treatment for reducing the risk of post-transplantation diabetes among kidney-transplant patients.