面向估计治疗效应异质性的新型目标-联邦学习框架：针对老年队列的稳健框架
统计方法学
2025-10-23 v1
摘要
分析来自多个来源的数据可为改进因果 estimand 的估计效率提供有价值的机会。然而，这种分析也因人口异质性和数据隐私约束提出了诸多挑战。虽然近年来发展出了许多针对联邦环境下因果推断的先进方法，但许多方法侧重于基于差异的平均因果效应，未针对研究效应修饰进行设计。本研究引入一种新型目标-联邦学习框架，以提出一种投影基准的 estimand，来研究针对特定人群的治疗效应异质性 (HTE)。该 HTE 框架在不共享原始数据的情况下整合来自多个数据源的信息，同时考虑各数据源间的协变量分布偏移。我们的方法被证明具有双鲁棒性，便于支持针对连续结果的基于差异的 estimand 以及针对二元结果的几率比基准 estimand。此外，我们开发了一种通信高效的 bootstrap 基准选择程序，用于检测非可传输数据源，从而在不引入偏差的情况下实现稳健的信息聚合。通过大量模拟研究，证明了本文估计器在已有方法之上的优势；在使用全国 Medicare 关联数据的数据应用中，展示了该方法的实用性。
引用
@article{arxiv.2510.19243,
title = {A New Targeted-Federated Learning Framework for Estimating Heterogeneity of Treatment Effects: A Robust Framework with Applications in Aging Cohorts},
author = {Rong Zhao and Jason Falvey and Xu Shi and Vernon M. Chinchilli and Chixiang Chen},
journal= {arXiv preprint arXiv:2510.19243},
year = {2025}
}