目标平均处理效应的多重稳健联邦估计

联邦或多站点研究相较于单站点研究具有明显优势，包括增强的泛化性、研究代表性不足人群的能力，以及研究罕见暴露与结局的机会。然而，由于需要保护每个个体数据的隐私以及协变量分布的异质性，这些研究面临挑战。我们提出一种新颖的联邦方法，利用多站点数据推导针对目标人群的有效因果推断。我们通过发展多重稳健且保护隐私的干扰函数估计，调整站点间的协变量偏移与协变量失配。我们的方法结合迁移学习估计集成权重以融合来自源站点的信息。我们证明了这些学习到的权重在不同情景下是高效且最优的。我们展示了相较现有方法，我们的方法在效率与稳健性方面的有限样本优势。