Efeitos Heterogêneos de Tratamento (CATE / Meta-Aprendizes)
Efeitos Heterogêneos de Tratamento é um framework de aprendizado de máquina que estima como um efeito de tratamento varia entre indivíduos — o efeito médio condicional de tratamento (CATE). Ele agrupa estratégias de meta-aprendizagem como T-Learner, S-Learner, X-Learner e R-Learner, juntamente com a floresta causal de Wager e Athey (2018) e Künzel et al. (2019).
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/pt/causal-inference/heterogeneous-treatment-effects
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Algoritmos de Descoberta Causal (PC, FCI, LiNGAM)Inferência causal↔ comparar
- Ajuste Frontdoor (Critério Frontdoor)Inferência causal↔ comparar
- Propensity Score MatchingEstatística para pesquisa↔ comparar
- Desenho de Regressão por Descontinuidade (RDD)Inferência causal↔ comparar
- Variáveis Instrumentais via Mínimos Quadrados em Dois Estágios (IV/2SLS)Inferência causal↔ comparar
Referenciado por
Similar methods
Encontrou um problema nesta página? Relate ou sugira uma correção →