Federated Causal Inference: Multi-Study ATE Estimation beyond Meta-Analysis

要約

私たちは、センターを越えて分散型データから治療効果を推定するアプローチであるフェデレーション因果推論を研究しています。
単純なメタ分析からワンショットおよびマルチショットのフェデレート学習に至るまで、プラグインGフォーマーから派生した3つのクラスの平均治療効果（ATE）推定器を比較します。
ランダム化比較試験（RCT）に焦点を当て、線形モデルのこれらの推定器の漸近分散を導き出します。
私たちの結果は、サンプルサイズ、共変量分布、治療割り当てスキーム、中心効果など、さまざまなシナリオの適切な推定器を選択するための実用的なガイダンスを提供します。
シミュレーション調査でこれらの調査結果を検証します。

要約(オリジナル)

We study Federated Causal Inference, an approach to estimate treatment effects from decentralized data across centers. We compare three classes of Average Treatment Effect (ATE) estimators derived from the Plug-in G-Formula, ranging from simple meta-analysis to one-shot and multi-shot federated learning, the latter leveraging the full data to learn the outcome model (albeit requiring more communication). Focusing on Randomized Controlled Trials (RCTs), we derive the asymptotic variance of these estimators for linear models. Our results provide practical guidance on selecting the appropriate estimator for various scenarios, including heterogeneity in sample sizes, covariate distributions, treatment assignment schemes, and center effects. We validate these findings with a simulation study.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google