Heterogeni učinci tretmana (CATE / meta-učenici)
Heterogeni učinci tretmana (Heterogeneous Treatment Effects) je okvir strojnog učenja koji procjenjuje kako se učinak tretmana razlikuje među pojedincima – uvjetovani prosječni učinak tretmana (conditional average treatment effect – CATE). Obuhvaća strategije meta-učenika kao što su T-učenik, S-učenik, X-učenik i R-učenik, uz kauzalnu šumu Wager i Athey (2018) te Künzel et al. (2019).
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Karta metoda
Okruženje srodnih metoda — odaberite čvor za istraživanje.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/hr/causal-inference/heterogeneous-treatment-effects
Koja metoda?
Postavite ovu metodu uz njoj najsrodnije i pročitajte ih jednu uz drugu — knjižnica vam knjige stavlja na stol; izbor je na vama.
- Algoritmi za otkrivanje uzročnosti (PC, FCI, LiNGAM)Uzročno zaključivanje↔ usporedi
- Frontdoor prilagodba (Frontdoor kriterij)Uzročno zaključivanje↔ usporedi
- Uparivanje prema ocjeni sklonostiIstraživačka statistika↔ usporedi
- Dizajn diskontinuiteta regresije (RDD)Uzročno zaključivanje↔ usporedi
- Two-Stage Least Squares (2SLS)Uzročno zaključivanje↔ usporedi
Citirana u
Similar methods
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →