Effets Hétérogènes du Traitement (CATE / Méta-Apprenants)
L'hétérogénéité des effets du traitement est un cadre d'apprentissage automatique qui estime comment un effet de traitement varie selon les individus — l'effet moyen conditionnel du traitement (CATE). Il regroupe des stratégies de méta-apprenants telles que le T-Learner, le S-Learner, le X-Learner et le R-Learner, aux côtés de la forêt causale de Wager et Athey (2018) et Künzel et al. (2019).
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/fr/causal-inference/heterogeneous-treatment-effects
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Algorithmes de découverte causale (PC, FCI, LiNGAM)Inférence causale↔ comparer
- Ajustement par la porte de devant (Critère de la porte de devant)Inférence causale↔ comparer
- Appariement par score de propensionStatistiques de recherche↔ comparer
- La régression par discontinuité (RDD)Inférence causale↔ comparer
- Variables instrumentales par moindres carrés en deux étapes (VI/2SLS)Inférence causale↔ comparer
Référencée par
Similar methods
Une erreur sur cette page ? Signalez-la ou proposez une correction →