Effetti Eterogenei del Trattamento (CATE / Meta-Learner)
Gli Effetti Eterogenei del Trattamento sono un framework di machine learning che stima come un effetto del trattamento vari tra gli individui — l'effetto medio condizionale del trattamento (CATE). Raggruppa strategie di meta-apprendimento come il T-Learner, S-Learner, X-Learner e R-Learner insieme alla foresta causale di Wager e Athey (2018) e Künzel et al. (2019).
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/it/causal-inference/heterogeneous-treatment-effects
Quale metodo?
Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.
- Algoritmi di Scoperta Causale (PC, FCI, LiNGAM)Inferenza causale↔ confronta
- Aggiustamento Frontdoor (Criterio Frontdoor)Inferenza causale↔ confronta
- Abbinamento del punteggio di propensioneStatistica per la ricerca↔ confronta
- Disegno a Regressione Discontinua (RDD)Inferenza causale↔ confronta
- Variabili Strumentali tramite Minimi Quadrati a Due Stadi (IV/2SLS)Inferenza causale↔ confronta
Citato da
Similar methods
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →