Heterogene Effekter av Behandling (CATE / Meta-lærere)
Heterogene effekter av behandling er et rammeverk innen maskinlæring som estimerer hvordan en behandlingseffekt varierer mellom individer – den betingede gjennomsnittlige behandlingseffekten (CATE). Det samler strategier for meta-læring, slik som T-lærer, S-lærer, X-lærer og R-lærer, sammen med den kausale skogen til Wager og Athey (2018) og Künzel et al. (2019).
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/no/causal-inference/heterogeneous-treatment-effects
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Algoritmer for kausal oppdagelse (PC, FCI, LiNGAM)Kausal inferens↔ compare
- Frontdoor-justering (Frontdoor-kriteriet)Kausal inferens↔ compare
- Propensity Score MatchingForskningsstatistikk↔ compare
- Regresjonsdiskontinuitetsdesign (RDD)Kausal inferens↔ compare
- Instrumentvariabler via totrinns minste kvadraters metode (IV/2SLS)Kausal inferens↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →