विषम उपचार प्रभाव (CATE / मेटा-लर्नर्स)
विषम उपचार प्रभाव (Heterogeneous Treatment Effects) एक मशीन-लर्निंग फ्रेमवर्क है जो यह अनुमान लगाता है कि उपचार का प्रभाव व्यक्तियों में कैसे भिन्न होता है — सशर्त औसत उपचार प्रभाव (conditional average treatment effect - CATE)। इसमें T-Learner, S-Learner, X-Learner और R-Learner जैसी मेटा-लर्नर रणनीतियाँ, साथ ही Wager और Athey (2018) और Künzel et al. (2019) के कॉज़ल फ़ॉरेस्ट शामिल हैं।
पूरी विधि पढ़ें
यह खंड पढ़ने के लिए निःशुल्क खाते से साइन इन करें।
पद्धति मानचित्र
सम्बन्धित पद्धतियों का परिवेश — अन्वेषण हेतु किसी नोड का चयन करें।
स्रोत
- 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 ↗
इस पृष्ठ का उद्धरण कैसे दें
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/hi/causal-inference/heterogeneous-treatment-effects
कौन-सी पद्धति?
इस पद्धति को उसकी निकटतम सजातीय पद्धतियों के साथ रखकर उन्हें साथ-साथ पढ़ें — पुस्तकालय पुस्तकें मेज़ पर रख देता है; चुनाव आपका है।
- कार्यकारण खोज एल्गोरिदम (PC, FCI, LiNGAM)कारणात्मक अनुमान↔ तुलना करें
- फ्रंटडोर एडजस्टमेंट (फ्रंटडोर क्राइटेरियन)कारणात्मक अनुमान↔ तुलना करें
- प्रोपेंसिटी स्कोर मैचिंगअनुसंधान सांख्यिकी↔ तुलना करें
- रिग्रेशन डिसकंटीन्यूइटी डिज़ाइन (आरडीडी)कारणात्मक अनुमान↔ तुलना करें
- साधनात्मक चर द्विपदीय न्यूनतम वर्ग (IV/2SLS) के माध्यम सेकारणात्मक अनुमान↔ तुलना करें