Efectes de tractament heterogenis (CATE / Meta-aprenents)
Els efectes de tractament heterogenis són un marc d'aprenentatge automàtic que estima com un efecte de tractament varia entre individus: l'efecte de tractament mitjà condicional (CATE). Agrupa estratègies de meta-aprenentatge com el T-Learner, S-Learner, X-Learner i R-Learner, juntament amb el bosc causal de Wager i Athey (2018) i Künzel et al. (2019).
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Mapa de mètodes
El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/ca/causal-inference/heterogeneous-treatment-effects
Quin mètode?
Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.
- Algorismes de descobriment causal (PC, FCI, LiNGAM)Inferència causal↔ compara
- Ajustament per la porta d'entrada (Criteri de la porta d'entrada)Inferència causal↔ compara
- Emparellament per puntuació de propensióEstadística per a la recerca↔ compara
- Disseny de Regressió per Discontinuïtat (RDD)Inferència causal↔ compara
- Variables instrumentals mitjançant mínims quadrats en dues etapes (IV/2SLS)Inferència causal↔ compara
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →