اثرات درمانی ناهمگن (CATE / فرایادگیرها)
اثرات درمانی ناهمگن یک چارچوب یادگیری ماشین است که تخمین میزند چگونه اثر یک درمان در میان افراد مختلف متغیر است — اثر میانگین درمانی شرطی (CATE). این چارچوب راهبردهای فرایادگیر (meta-learner) مانند T-Learner، S-Learner، X-Learner و R-Learner را در کنار جنگل علّی (causal forest) وگر و اتی (2018) و کونتزل و همکاران (2019) را در بر میگیرد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/fa/causal-inference/heterogeneous-treatment-effects
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- الگوریتمهای کشف علّی (PC, FCI, LiNGAM)استنتاج علّی↔ مقایسه
- تنظیم پیشرو (معیار پیشرو)استنتاج علّی↔ مقایسه
- تطابق امتیاز تمایل (Propensity Score Matching)آمار پژوهش↔ مقایسه
- طرح گسستگی رگرسیون (RDD)استنتاج علّی↔ مقایسه
- متغیرهای ابزاری از طریق حداقل مربعات دو مرحلهای (IV/2SLS)استنتاج علّی↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →