观察性研究中的平均处理效应（ATE）估计是社会科学、医学和流行病学等领域广泛使用的基础统计工具，用于在无法进行随机对照试验时评估某种干预或暴露对结果变量的因果影响。然而这些领域所处理的数据通常包含高度敏感的个人信息，直接发布基于原始数据的 ATE 估计会带来隐私泄露风险，因此研究者一直希望获得满足差分隐私（Differential Privacy）保证的 ATE 估计算法。本文针对这一需求提出了两种基于倾向得分（propensity score）的 ATE 估计机制：第一种是对先前工作中使用的逆概率加权（IPW, Inverse Probability Weighting）方法进行改进，使其在差分隐私约束下具有更优的统计性质；第二种则采用倾向得分分块（BPS, Blocking on Propensity Score）策略，即先估计每个样本接受处理的倾向得分，再依据得分将样本划分为若干同质区块，在区块内进行差分隐私化的效应聚合与估计。作者从理论上分析了两种算法的误差与偏差来源，并在实验中与既有方法进行了对比。结果显示，两种新算法在相同隐私预算下均表现出更低的估计误差和更小的偏差；其中基于倾向得分分块的算法提升尤为显著，相较于先前工作常常将误差降低 75% 甚至更多。这意味着在保持同等隐私保护强度的前提下，可以显著提升因果效应估计的可用性与准确性，对需要在敏感数据上开展因果推断的场景具有直接的实用价值。论文属于方法论与统计机器学习交叉方向，适合差分隐私、隐私增强技术以及因果推断相关的研究人员与隐私工程从业者阅读。