Heterogeniczne efekty przyczynowe (CATE / Meta-uczniowie)
Heterogeniczne efekty przyczynowe to framework uczenia maszynowego, który szacuje, jak efekt przyczynowy (treatment effect) różni się między osobami — czyli warunkowy średni efekt przyczynowy (CATE). Łączy on strategie meta-uczniów, takie jak T-uczeń, S-uczeń, X-uczeń i R-uczeń, wraz z lasem przyczynowym Wager i Athey (2018) oraz Künzel et al. (2019).
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/pl/causal-inference/heterogeneous-treatment-effects
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Algorytmy odkrywania przyczynowości (PC, FCI, LiNGAM)Wnioskowanie przyczynowe↔ porównaj
- Regularyzacja typu "frontdoor" (kryterium "frontdoor")Wnioskowanie przyczynowe↔ porównaj
- Dopasowanie wyników skłonnościStatystyka w badaniach↔ porównaj
- Metoda regresji z nieciągłością (RDD)Wnioskowanie przyczynowe↔ porównaj
- Zmienne instrumentalne za pomocą dwuetapowych najmniejszych kwadratów (IV/2SLS)Wnioskowanie przyczynowe↔ porównaj
Cytowana przez
Similar methods
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →