Heterogénne kauzálne efekty (CATE / Meta-Learners)
Heterogénne kauzálne efekty (Heterogeneous Treatment Effects) je rámec strojového učenia, ktorý odhaduje, ako sa efekt intervencie líši medzi jednotlivcami — podmienený priemerný kauzálny efekt (CATE). Združuje stratégie meta-učenia, ako sú T-Learner, S-Learner, X-Learner a R-Learner, spolu s kauzálnym lesom od Wager a Athey (2018) a Künzel et al. (2019).
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Mapa metód
Okolie príbuzných metód — vyberte uzol na preskúmanie.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/sk/causal-inference/heterogeneous-treatment-effects
Ktorá metóda?
Postavte túto metódu vedľa jej najbližších príbuzných a čítajte ich vedľa seba — knižnica vám knihy položí na stôl; voľba je na vás.
- Algoritmy kauzálneho objavovania (PC, FCI, LiNGAM)Kauzálna inferencia↔ porovnať
- Frontdoor úprava (Frontdoor kritérium)Kauzálna inferencia↔ porovnať
- Zodpovedajúce skóre sklonuŠtatistika vo výskume↔ porovnať
- Regresný diskontinuitný dizajn (RDD)Kauzálna inferencia↔ porovnať
- Nástrojové premenné pomocou dvojstupňového metódy najmenších štvorcov (IV/2SLS)Kauzálna inferencia↔ porovnať
Odkazujú sem
Similar methods
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →