Heterogeneity-Aware Federated Causal Inference Leveraging Effect-Measure Transportability
利用效应度量可迁移性的异质性感知联邦因果推断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：摘要以跨站点因果效应的可迁移性、高效估计和来源兼容性为主线，直接对应因果推断。
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…
利用效应度量可迁移性的异质性感知联邦因果推断
- 研究问题
- 研究多研究站点之间效应度量可迁移性存在差异时，如何保护数据隐私、提升目标站点的因果估计效率并处理不相容来源。
- 方法与思路
- 作者比较两种可迁移性假设下的半参数高效估计量，允许机器学习估计干扰函数，再用两步 PFWS 程序识别兼容站点。
- 材料陈述的贡献
- 摘要称刻画效率与稳健性的权衡，并提出渐近达到效率界的站点筛选框架；模拟与应用报告相对仅用目标数据的方差改善。
- 阅读关注点
- 应核对两种可迁移性限制、目标效应定义和站点兼容标准，以及联邦信息交换、筛选误差与机器学习下有效推断的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出可迁移性及筛选条件，也未说明隐私机制或效率改善的数值。
原文摘要
Federated learning of causal estimands offers a powerful strategy to improve estimation efficiency by leveraging data from multiple study sites while preserving privacy. Existing literature has primarily focused on the average treatment effect using single data source, whereas our work addresses a broader class of causal measures across multiple sources. We derive and compare semiparametrically efficient estimators under two transportability assumptions, which impose different restrictions on the data likelihood and illustrate the efficiency-robustness tradeoff. This estimator also permits the incorporation of flexible machine learning algorithms for nuisance functions while maintaining parametric convergence rates and nominal coverage. To further handle scenarios where some source sites violate transportability, we propose a Post-Federated Weighting Selection (PFWS) framework, which is a two-step procedure that adaptively identifies compatible sites and achieves the semiparametric efficiency bound asymptotically. This framework mitigates the efficiency loss of weighting methods and the instability and computational burden of direct site selection in finite samples. Through extensive simulations and real-data analysis, we demonstrate that our PFWS framework achieves superior variance efficiency compared with the target-only analyses across diverse transportability scenarios.