基于效应测度可迁移性的异质性感知联邦因果推断
统计方法学
2025-11-24 v2
摘要
因果估计量的联邦学习是一种通过利用多个研究站点数据来提高估计效率的强大策略，同时保护隐私。现有文献主要关注单数据源的平均处理效应，而我们的工作涵盖了跨多个源的更广泛因果测度类别。我们在两种可迁移性假设下推导并比较了半参数有效估计量，这些假设对数据似然施加了不同的限制，并说明了效率-鲁棒性之间的权衡。该估计量还允许纳入灵活的机器学习算法来处理干扰函数，同时保持参数收敛速率和名义覆盖率。为了进一步处理某些源站点违反可迁移性的场景，我们提出了联邦后加权选择（PFWS）框架，这是一个两步程序，自适应地识别兼容站点并渐近达到半参数效率界。该框架缓解了加权方法的效率损失以及直接站点选择在有限样本中的不稳定性和计算负担。通过广泛的模拟和真实数据分析，我们证明了 PFWS 框架在多样化的可迁移性场景下相比仅目标分析实现了优越的方差效率。
引用
@article{arxiv.2510.16317,
title = {Heterogeneity-Aware Federated Causal Inference Leveraging Effect-Measure Transportability},
author = {Siqi Cao and Shu Yang},
journal= {arXiv preprint arXiv:2510.16317},
year = {2025}
}