Гетерогенные эффекты воздействия (CATE / Мета-обучающиеся)
Гетерогенные эффекты воздействия — это фреймворк машинного обучения, который оценивает, как эффект воздействия варьируется у разных индивидов, — условный средний эффект воздействия (CATE). Он объединяет стратегии мета-обучающихся, такие как T-Learner, S-Learner, X-Learner и R-Learner, наряду с причинным лесом (causal forest) Wager и Athey (2018) и Künzel et al. (2019).
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/ru/causal-inference/heterogeneous-treatment-effects
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Алгоритмы каузального обнаружения (PC, FCI, LiNGAM)Причинно-следственный вывод↔ сравнить
- Корректировка по фронтдору (критерий фронтдора)Причинно-следственный вывод↔ сравнить
- Метод подбора на основе оценки склонностиСтатистика исследований↔ сравнить
- Регрессионный разрывный дизайн (RDD)Причинно-следственный вывод↔ сравнить
- Two-Stage Least Squares (2SLS)Причинно-следственный вывод↔ сравнить
Упоминается в
Similar methods
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →