Хетерогенни ефекти от лечение (CATE / Мета-обучаващи алгоритми)
Хетерогенните ефекти от лечение е рамка за машинно обучение, която оценява как ефектът от лечение варира при отделните индивиди — условният среден ефект от лечение (CATE). Тя обединява стратегии за мета-обучение като T-обучаващ алгоритъм, S-обучаващ алгоритъм, X-обучаващ алгоритъм и R-обучаващ алгоритъм, заедно с причинно-следствената гора на Wager и Athey (2018) и Künzel et al. (2019).
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- 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 ↗
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/bg/causal-inference/heterogeneous-treatment-effects
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Алгоритми за причинно-следствено откриване (PC, FCI, LiNGAM)Причинно-следствено заключение↔ сравняване
- Регулиране на предната врата (критерий на предната врата)Причинно-следствено заключение↔ сравняване
- Съгласуване по показател на склонностСтатистика за изследвания↔ сравняване
- Регресионен дизайн с прекъсване (Regression Discontinuity Design - RDD)Причинно-следствено заключение↔ сравняване
- Инструментални променливи чрез двуетапни най-малки квадрати (IV/2SLS)Причинно-следствено заключение↔ сравняване
Цитиран в
Similar methods
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →