Heterogeneous Treatment Effects
Heterogeneous Treatment Effects is a machine-learning framework that estimates how a treatment effect varies across individuals — the conditional average treatment effect (CATE). It bundles meta-learner strategies such as the T-Learner, S-Learner, X-Learner and R-Learner alongside the causal forest of Wager and Athey (2018) and Künzel et al. (2019).
Registre font
Les citacions es copien textualment del registre font del mètode. No s'infereix cap verificació a nivell de reclam d'elles.
- 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
Reclamacions curades
Les reclamacions s'han persistit al registre de proves, cadascuna amb la seva pròpia avaluació.
Aquesta vista no inventa una avaluació de reclam quan el registre no en té cap.
Mètodes relacionats
Generat a partir del gràfic de mètodes i mostrat com a relacions suggerides per la màquina; no s'infereix cap reclamació d'evidència.