Heterogene Behandelingseffecten (CATE / Meta-Learners)
Heterogene Behandelingseffecten is een machine-learning raamwerk dat schat hoe een behandelingseffect varieert tussen individuen — het conditionele gemiddelde behandelingseffect (CATE). Het bundelt meta-learner strategieën zoals de T-Learner, S-Learner, X-Learner en R-Learner naast het causale bos van Wager en Athey (2018) en Künzel et al. (2019).
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/nl/causal-inference/heterogeneous-treatment-effects
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Causale Ontdekking Algoritmen (PC, FCI, LiNGAM)Causale inferentie↔ vergelijken
- Frontdoor Adjustment (Frontdoor Criterion)Causale inferentie↔ vergelijken
- Propensity Score MatchingOnderzoeksstatistiek↔ vergelijken
- Regressiediscontinuïteitsontwerp (RDD)Causale inferentie↔ vergelijken
- Instrumentele Variabelen via Two-Stage Least Squares (IV/2SLS)Causale inferentie↔ vergelijken
Geciteerd door
Similar methods
Een fout op deze pagina gezien? Meld het of stel een correctie voor →