Ετερογενείς Επιδράσεις Θεραπείας (CATE / Μετα-Μαθητές)
Η Ετερογένεια Επιδράσεων Θεραπείας είναι ένα πλαίσιο μηχανικής μάθησης που εκτιμά πώς η επίδραση μιας θεραπείας ποικίλλει μεταξύ των ατόμων — η υπό συνθήκη μέση επίδραση θεραπείας (CATE). Ενσωματώνει στρατηγικές μετα-μαθητών όπως ο T-Learner, ο S-Learner, ο X-Learner και ο R-Learner, μαζί με το αιτιακό δάσος των Wager και Athey (2018) και Künzel et al. (2019).
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/el/causal-inference/heterogeneous-treatment-effects
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Αλγόριθμοι Αιτιακής Ανακάλυψης (PC, FCI, LiNGAM)Αιτιακή Συμπερασματολογία↔ σύγκριση
- Προσαρμογή Frontdoor (Κριτήριο Frontdoor)Αιτιακή Συμπερασματολογία↔ σύγκριση
- Αντιστοίχιση Βαθμολογίας ΠροδιάθεσηςΕρευνητική Στατιστική↔ σύγκριση
- Σχεδιασμός Ασυγχώνιστης Παλινδρόμησης (Regression Discontinuity Design - RDD)Αιτιακή Συμπερασματολογία↔ σύγκριση
- Εκτιμητές Μεταβλητών-Εργαλείων μέσω Ελαχίστων Τετραγώνων Δύο Σταδίων (IV/2SLS)Αιτιακή Συμπερασματολογία↔ σύγκριση
Αναφέρεται από
Similar methods
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →