Efectos Heterogéneos del Tratamiento (CATE / Meta-Aprendices)
Los Efectos Heterogéneos del Tratamiento (Heterogeneous Treatment Effects) son un marco de aprendizaje automático que estima cómo varía el efecto de un tratamiento entre individuos —el efecto promedio del tratamiento condicional (CATE). Agrupa estrategias de meta-aprendizaje como el T-Learner, S-Learner, X-Learner y R-Learner junto con el bosque causal de Wager y Athey (2018) y Künzel et al. (2019).
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/es/causal-inference/heterogeneous-treatment-effects
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Algoritmos de descubrimiento causal (PC, FCI, LiNGAM)Inferencia causal↔ comparar
- Ajuste frontal (Criterio Frontdoor)Inferencia causal↔ comparar
- Emparejamiento por Puntuación de PropensiónEstadística para la investigación↔ comparar
- Diseño de Regresión Discontinua (RDD)Inferencia causal↔ comparar
- Variables Instrumentales mediante Mínimos Cuadrados en Dos Etapas (IV/2SLS)Inferencia causal↔ comparar
Citado por
Similar methods
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →