Efficient collaborative learning of the average treatment effect
平均处理效应的高效协作学习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：摘要直接研究目标人群平均处理效应的估计与跨来源数据整合，主要对应因果推断方向。
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…
平均处理效应的高效协作学习
- 研究问题
- 在多中心研究受数据共享限制、各中心人群分布存在差异时，如何利用外部信息提高目标人群平均处理效应的估计效率？
- 方法与思路
- 作者提出联邦式 ECO-ATE，将目标人群个体数据与其他来源人群的汇总统计结合，构造无需中心间迭代通信的估计量。
- 材料陈述的贡献
- 摘要称，该方法允许结局、处理及基线协变量分布变化，并在适当条件下达到半参数效率界；另以模拟和电子病历应用展示表现。
- 阅读关注点
- 应核对跨人群信息可迁移的具体条件、各中心需提供的汇总统计、效率界推导，以及模拟中分布偏移与模型复杂度的设置。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核验。摘要未说明完整识别条件或效率增益数值，不能据此判断任意分布差异下均有效。
原文摘要
In response to the growing need for generating real-world evidence from multi-site collaborative studies, we introduce an efficient collaborative learning approach to evaluate average treatment effect (ECO-ATE) in a multi-site setting under data sharing constraints. Specifically, ECO-ATE operates in a federated manner, using individual-level data from a user-defined target population and summary statistics from other source populations, to construct efficient estimator for the average treatment effect on the target population of interest. Our federated approach does not require iterative communications between sites, making it particularly suitable for research consortia with limited resources for developing automated data-sharing infrastructures. Compared to existing work data integration methods in causal inference, ECO-ATE allows distributional shifts in outcomes, treatments and baseline covariates distributions, and achieves semiparametric efficiency bound under appropriate conditions. We conduct simulation studies to demonstrate the extent of efficiency gains achieved by incorporating additional data sources, as well as the robustness of our approach against varying levels of distributional shifts and overparameterization, compared to existing benchmarks. We apply ECO-ATE to a case study examining the effect of insulin vs. non-insulin treatments on heart failure for patients with type II diabetes using electronic health record data collected from the All of Us program.