Heterogena behandlingseffekter (CATE / Meta-inlärningsmetoder)
Heterogena behandlingseffekter är ett ramverk för maskininlärning som estimerar hur en behandlingseffekt varierar mellan individer — den betingade genomsnittliga behandlingseffekten (CATE). Det samlar meta-inlärningsstrategier såsom T-inlärningsmetoden, S-inlärningsmetoden, X-inlärningsmetoden och R-inlärningsmetoden tillsammans med kausalskogen enligt Wager och Athey (2018) samt Künzel et al. (2019).
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/sv/causal-inference/heterogeneous-treatment-effects
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Algoritmer för kausal upptäckt (PC, FCI, LiNGAM)Kausal inferens↔ jämför
- Frontdoor-justering (Frontdoor-kriteriet)Kausal inferens↔ jämför
- Propensity score-matchningForskningsstatistik↔ jämför
- Regressionsdiskontinuitetsdesign (RDD)Kausal inferens↔ jämför
- Instrumentvariabler via tvåstegsminsta kvadratmetoden (IV/2SLS)Kausal inferens↔ jämför
Refereras av
Similar methods
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →