Efek Perlakuan Heterogen (CATE / Meta-Learner)
Efek Perlakuan Heterogen adalah kerangka kerja pembelajaran mesin yang memperkirakan bagaimana efek perlakuan bervariasi antar individu — efek perlakuan rata-rata bersyarat (CATE). Kerangka ini menggabungkan strategi meta-learner seperti T-Learner, S-Learner, X-Learner, dan R-Learner bersama dengan hutan kausal (causal forest) dari Wager dan Athey (2018) serta Künzel et al. (2019).
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/id/causal-inference/heterogeneous-treatment-effects
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Algoritma Penemuan Kausal (PC, FCI, LiNGAM)Inferensi Kausal↔ bandingkan
- Penyesuaian Pintu Depan (Kriteria Pintu Depan)Inferensi Kausal↔ bandingkan
- Pencocokan Skor PropensitasStatistika Penelitian↔ bandingkan
- Desain Diskontinuitas Regresi (RDD)Inferensi Kausal↔ bandingkan
- Variabel Instrumental melalui Kuadrat Terkecil Dua Tahap (IV/2SLS)Inferensi Kausal↔ bandingkan
Dirujuk oleh
Similar methods
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →