面向目标处理效应的联邦自适应因果估计(FACE)

Larry Han; Jue Hou; Kelly Cho; Rui Duan; Tianxi Cai

面向目标处理效应的联邦自适应因果估计(FACE)

统计方法学 2023-10-06 v4 统计理论应用统计统计理论

作者: Larry Han , Jue Hou , Kelly Cho , Rui Duan , Tianxi Cai

摘要

因果估计量的联邦学习可通过利用多研究站点的数据大幅提升估计效率，但对异质性与模型误设的稳健性对确保有效性至关重要。我们开发了联邦自适应因果估计(FACE)框架，以整合多站点的异质数据，为灵活指定的目标人群提供处理效应估计与推断。FACE通过密度比加权考虑协变量分布的站点级异质性。为安全纳入源站点并避免负迁移，我们引入基于惩罚回归的自适应加权过程，其同时实现一致性与最优效率。我们的策略通信高效且保护隐私，允许参与站点仅与其他站点共享一次汇总统计量。我们对FACE进行了理论与数值评估，并将其应用于利用来自五个VA地区站点的电子健康记录，在COVID-19结局上开展BNT162b2 (Pfizer)与mRNA-1273 (Moderna)疫苗的比较效果研究。我们表明，相较传统方法，FACE显著提升了处理效应估计的精度，标准误降低幅度达 $26\%$ 至 $67\%$ 。

关键词

联邦学习因果估计处理效应异质数据密度比加权自适应加权负迁移

引用

@article{arxiv.2112.09313,
  title  = {Federated Adaptive Causal Estimation (FACE) of Target Treatment Effects},
  author = {Larry Han and Jue Hou and Kelly Cho and Rui Duan and Tianxi Cai},
  journal= {arXiv preprint arXiv:2112.09313},
  year   = {2023}
}

备注

59 pages

面向目标处理效应的联邦自适应因果估计(FACE)

摘要

关键词

引用

备注

相关论文