基于一次性共享汇总统计量的联邦混合效应逻辑回归
统计方法学
2025-10-06 v1
摘要
在医学研究中维护数据隐私已成为获取个体层面患者数据的等效难题。因此，估计涉及来自多个数据提供者（如医院）数据的混合效应二元逻辑回归模型变得更加困难。联邦学习已成为一种在保护个体观测隐私的同时仍能估计可在个体层面解释的全局模型的选项，但它通常涉及数据提供者与数据分析者之间的迭代通信。在本文中，我们提出了一种仅需数据提供者分享一次汇总统计量即可估计混合效应二元逻辑回归模型的策略。该策略涉及生成伪数据，其汇总统计量与实际数据匹配，并在模型估计过程中使用这些伪数据代替实际不可用数据。我们的策略能够包含多个预测变量，这些预测变量可以是连续变量和类别变量的组合。通过模拟，我们表明我们的方法至少与需要汇总个体观测的方法一样好地估计真实模型。并提供了一个使用真实数据的说明性示例。与典型的联邦学习算法不同，我们的方法消除了基础设施需求和安全问题，同时具有通信效率并考虑了异质性。
引用
@article{arxiv.2411.04002,
title = {Federated mixed effects logistic regression based on one-time shared summary statistics},
author = {Marie Analiz April Limpoco and Christel Faes and Niel Hens},
journal= {arXiv preprint arXiv:2411.04002},
year = {2025}
}