Dans ce travail nous étudions l'inférence causale fédérée, une approche consistant à estimer les effets du traitement à partir de données décentralisées provenant de plusieurs centres. Nous comparons trois classes d'estimateurs de l'Effet Moyen du Traitement (ATE) dérivées de la G-formule Plug-in, allant de la méta-analyse simple à l'apprentissage fédéré à un tour de communication (One-Shot) et en plusieurs( Multi-Shot), cette-dernière exploitant l'ensemble des données pour apprendre le modèle de l'outcome (au prix de davantage de communications). En nous concentrant sur les essais contrôlés randomisés (RCT), nous dérivons la variance asymptotique de ces estimateurs pour des modèles linéaires. Nos résultats permettent d'établir des recommandations pratiques sur le choix de l'estimateur approprié en fonction de divers scénarios, y compris en présence d'hétérogénéité sur les tailles d'échantillons des centres, des distributions des covariables, des schémas d'affectation des traitements et des effets centre. Nous validons ces résultats par une étude sur données synthétiques.