Kesan Rawatan Heterogen (CATE / Meta-Learner)
Kesan Rawatan Heterogen ialah rangka kerja pembelajaran mesin yang menganggarkan bagaimana kesan rawatan berbeza antara individu — kesan rawatan purata bersyarat (CATE). Ia menggabungkan strategi meta-pembelajar seperti T-Learner, S-Learner, X-Learner dan R-Learner bersama hutan kausal Wager dan Athey (2018) serta Künzel et al. (2019).
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
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 memetik halaman ini
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/ms/causal-inference/heterogeneous-treatment-effects
Kaedah yang mana?
Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.
- Algoritma Penemuan Kausal (PC, FCI, LiNGAM)Inferens Kausal↔ banding
- Penyesuaian Pintu Depan (Kriteria Pintu Depan)Inferens Kausal↔ banding
- Padanan Skor KecenderunganStatistik Penyelidikan↔ banding
- Reka Bentuk Pecahan Regresi (RDD)Inferens Kausal↔ banding
- Pemboleh Ubah Instrumental melalui Kuasa Dua Terkecil Dua Peringkat (IV/2SLS)Inferens Kausal↔ banding
Dirujuk oleh
Similar methods
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →