Heterogeenisten hoito-vaikutusten (CATE / Meta-oppijat)
Heterogeenisten hoito-vaikutusten estimointi on koneoppimisen viitekehys, joka arvioi, miten hoito-vaikutus vaihtelee yksilöittäin – ehdollinen keskimääräinen hoito-vaikutus (CATE). Se kokoaa yhteen meta-oppijastrategioita, kuten T-oppija, S-oppija, X-oppija ja R-oppija, sekä Wagerin ja Athey'n (2018) ja Künzel et al. (2019) kausaalimetsän.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/fi/causal-inference/heterogeneous-treatment-effects
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Kausaalisen rakenteen löytämisen algoritmit (PC, FCI, LiNGAM)Kausaalipäättely↔ vertaa
- Etusulku-säätö (Etusulku-kriteeri)Kausaalipäättely↔ vertaa
- Propensity Score MatchingTutkimuksen tilastomenetelmät↔ vertaa
- Regressioepäjatkuvuussuunnittelu (RDD)Kausaalipäättely↔ vertaa
- Two-Stage Least Squares (2SLS)Kausaalipäättely↔ vertaa
Tähän viittaavat
Similar methods
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →