Efektet Heterogjene të Trajtimit (CATE / Meta-Learners)
Efektet Heterogjene të Trajtimit është një kuadër i mësimit të makinerisë që vlerëson se si efekti i një trajtimi ndryshon ndërmjet individëve — efekti mesatar i kushtëzuar i trajtimit (CATE). Ai përfshin strategjitë e meta-mësimit si T-Learner, S-Learner, X-Learner dhe R-Learner së bashku me pyllin kauzal të Wager dhe Athey (2018) dhe Künzel et al. (2019).
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Harta e metodave
Lagjja e metodave të lidhura — zgjidhni një nyje për të eksploruar.
Burimet
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/sq/causal-inference/heterogeneous-treatment-effects
Cila metodë?
Vendoseni këtë metodë pranë të afërmeve të saj më të ngushta dhe lexojini krah për krah — biblioteka i shtron librat mbi tryezë; zgjedhja është e juaja.
- Algoritme zbulimi kauzal (PC, FCI, LiNGAM)Inferenca kauzale↔ krahaso
- Rregullimi Frontdoor (Kriteri Frontdoor)Inferenca kauzale↔ krahaso
- Përshtatja e Rezultatit të TendencësStatistika e hulumtimit↔ krahaso
- Dizajni i Diskontinuitetit të Regresionit (RDD)Inferenca kauzale↔ krahaso
- Two-Stage Least Squares (2SLS)Inferenca kauzale↔ krahaso
Cituar nga
Similar methods
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →