ScholarGate
المساعد
Regression model

تأثيرات المعالجة غير المتجانسة (CATE / المتعلمون الفوقيون)

تأثيرات المعالجة غير المتجانسة هي إطار عمل للتعلم الآلي يقدر كيف يختلف تأثير المعالجة عبر الأفراد — متوسط تأثير المعالجة الشرطي (CATE). يجمع استراتيجيات المتعلم الفوقي مثل المتعلم T، والمتعلم S، والمتعلم X، والمتعلم R جنبًا إلى جنب مع الغابة السببية لـ Wager و Athey (2018) و Künzel وآخرون (2019).

افتح في MethodMindقريبًاApply, compare, get guidance
Tools & resources
تنزيل الشرائح
Learn & explore
فيديوقريبًا

اقرأ الطريقة كاملة

للأعضاء فقط

سجّل الدخول بحساب مجاني لقراءة هذا القسم.

تسجيل الدخول

خريطة المناهج

محيط المناهج ذات الصلة — اختر عقدةً للاستكشاف.

المصادر

  1. Wager, S. & Athey, S. (2018). Estimation and Inference of Heterogeneous Treatment Effects using Random Forests. Journal of the American Statistical Association. DOI: 10.1080/01621459.2017.1319839
  2. Künzel, S. R., Sekhon, J. S., Bickel, P. J. & Yu, B. (2019). Metalearners for Estimating Heterogeneous Treatment Effects using Machine Learning. Proceedings of the National Academy of Sciences (PNAS). DOI: 10.1073/pnas.1804597116

كيف تستشهد بهذه الصفحة

ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/ar/causal-inference/heterogeneous-treatment-effects

أيُّ منهج؟

ضع هذا المنهج إلى جانب أقرب نظائره واقرأهما جنباً إلى جنب — المكتبة تضع الكتب على الطاولة، والاختيار لك.

قارن جنباً إلى جنب

يُستشهد بها في

ScholarGateHeterogeneous Treatment Effects (Heterogeneous Treatment Effects (CATE / Meta-Learners)). استُرجع بتاريخ 2026-06-17 من https://scholargate.app/ar/causal-inference/heterogeneous-treatment-effects · مجموعة البيانات: https://doi.org/10.5281/zenodo.20539026