Heterogén kezelési hatások (CATE / Meta-tanulók)
A heterogén kezelési hatások egy gépi tanulási keretrendszer, amely megbecsüli, hogyan változik a kezelési hatás az egyének között – a feltételes átlagos kezelési hatás (CATE). Olyan meta-tanuló stratégiákat foglal magában, mint a T-tanuló, S-tanuló, X-tanuló és R-tanuló, valamint Wager és Athey (2018), illetve Künzel et al. (2019) kauzális erdejét.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/hu/causal-inference/heterogeneous-treatment-effects
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Kauzális feltáró algoritmusok (PC, FCI, LiNGAM)Oksági következtetés↔ összehasonlítás
- Frontdoor kiigazítás (Frontdoor kritérium)Oksági következtetés↔ összehasonlítás
- Tárgyhajlamossági pontszám illesztésKutatási statisztika↔ összehasonlítás
- Regressziós diszkontinuitási dizájn (RDD)Oksági következtetés↔ összehasonlítás
- Instrumentális változók kétlépéses legkisebb négyzetek módszerével (IV/2SLS)Oksági következtetés↔ összehasonlítás
Hivatkozik rá
Similar methods
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →