Heterogene Effekte (CATE / Meta-Lerner)
Heterogene Effekte ist ein Machine-Learning-Framework, das schätzt, wie sich ein Behandlungseffekt über Individuen hinweg variiert – der bedingte durchschnittliche Behandlungseffekt (CATE). Es bündelt Meta-Lerner-Strategien wie den T-Lerner, S-Lerner, X-Lerner und R-Lerner neben dem kausalen Wald von Wager und Athey (2018) und Künzel et al. (2019).
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/de/causal-inference/heterogeneous-treatment-effects
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Algorithmen zur kausalen Entdeckung (PC, FCI, LiNGAM)Kausale Inferenz↔ vergleichen
- Frontdoor Adjustment (Frontdoor-Kriterium)Kausale Inferenz↔ vergleichen
- Propensity Score MatchingForschungsstatistik↔ vergleichen
- Regression Discontinuity Design (RDD)Kausale Inferenz↔ vergleichen
- Two-Stage Least Squares (2SLS)Kausale Inferenz↔ vergleichen
Referenziert von
Similar methods
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →