Heterogēni ārstēšanas efekti (CATE / Metamācītāji)
Heterogēni ārstēšanas efekti ir mašīnmācīšanās sistēma, kas novērtē, kā ārstēšanas efekts atšķiras starp indivīdiem — nosacītais vidējais ārstēšanas efekts (CATE). Tā apvieno metamācītāju stratēģijas, piemēram, T-mācītāju, S-mācītāju, X-mācītāju un R-mācītāju, kopā ar Vāgera un Atejas (2018) un Kincela et al. (2019) cēloņsakarību mežu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/lv/causal-inference/heterogeneous-treatment-effects
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Algoritmi cēloņsakarību atklāšanai (PC, FCI, LiNGAM)Cēloņsakarību secināšana↔ salīdzināt
- Frontdoor Adjustment (Frontdoor Criterion)Cēloņsakarību secināšana↔ salīdzināt
- Propensity Score MatchingPētniecības statistika↔ salīdzināt
- Dizains ar regresijas pārtraukumu (RDD)Cēloņsakarību secināšana↔ salīdzināt
- Instrumentālās mainīgās, izmantojot divpakāpju mazāko kvadrātu metodi (IV/2SLS)Cēloņsakarību secināšana↔ salīdzināt
Uz to atsaucas
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →