Heterogeensed (tingimuslik keskmine töötlusefekt, CATE / metaoppijad) töötlusefektid
Heterogeensed töötlusefektid on masinõppe raamistik, mis hindab, kuidas töötlusefekt erineb üksikisikute lõikes – tingimuslik keskmine töötlusefekt (CATE). See koondab metaoppija strateegiaid, nagu T-õppija, S-õppija, X-õppija ja R-õppija, koos Wageri ja Athey (2018) ning Künzeli jt (2019) põhjuslikkuse metsaga.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/et/causal-inference/heterogeneous-treatment-effects
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- PC, FCI, LiNGAM algoritmide abil põhinev kausaalsuse avastaminePõhjuslik järeldamine↔ võrdle
- Frontdoor-reguleerimise kriteeriumPõhjuslik järeldamine↔ võrdle
- Kalduvusskoori sobitamineUurimisstatistika↔ võrdle
- Regressioonkatkestusdisain (RDD)Põhjuslik järeldamine↔ võrdle
- Instrumentaalmuutujad kaheastmelise vähimruutude meetodi abil (IV/2SLS)Põhjuslik järeldamine↔ võrdle
Sellele viitavad
Similar methods
Märkasid sellel lehel viga? Teata sellest või paku parandust →