Heterogenní léčebné účinky (CATE / Meta-Learners)
Heterogenní léčebné účinky jsou rámcem strojového učení, který odhaduje, jak se léčebný účinek liší u jednotlivců — podmíněný průměrný léčebný účinek (CATE). Sdružuje strategie meta-učení, jako jsou T-Learner, S-Learner, X-Learner a R-Learner, spolu s kauzálním lesem Wager a Athey (2018) a Künzel et al. (2019).
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/cs/causal-inference/heterogeneous-treatment-effects
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Algoritmy pro objevování kauzality (PC, FCI, LiNGAM)Kauzální inference↔ porovnat
- Úprava předními dveřmi (kritérium předních dveří)Kauzální inference↔ porovnat
- Párování na základě skóre propensityStatistika ve výzkumu↔ porovnat
- Regresní diskontinuitní design (RDD)Kauzální inference↔ porovnat
- Instrumentální proměnné pomocí dvoufázové metody nejmenších čtverců (IV/2SLS)Kauzální inference↔ porovnat
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →