Heterogene Behandlingseffekter (CATE / Meta-Learners)
Heterogene Behandlingseffekter er et framework inden for machine learning, der estimerer, hvordan en behandlingseffekt varierer på tværs af individer — den betingede gennemsnitlige behandlingseffekt (CATE). Det samler meta-læringsstrategier såsom T-Learner, S-Learner, X-Learner og R-Learner sammen med kausalskoven (causal forest) fra Wager og Athey (2018) og Künzel et al. (2019).
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/da/causal-inference/heterogeneous-treatment-effects
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Algoritmer til kausal opdagelse (PC, FCI, LiNGAM)Kausal inferens↔ sammenlign
- Frontdoor Adjustment (Frontdoor Criterion)Kausal inferens↔ sammenlign
- Propensity Score MatchingForskningsstatistik↔ sammenlign
- Regression Discontinuity Design (RDD)Kausal inferens↔ sammenlign
- Instrumentalvariable via totrins mindste kvadraters metode (IV/2SLS)Kausal inferens↔ sammenlign
Refereret af
Similar methods
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →