การวิเคราะห์ผลกระทบเชิงสาเหตุของผลการรักษาที่แตกต่างกัน
การวิเคราะห์ผลกระทบเชิงสาเหตุของผลการรักษาที่แตกต่างกัน (Heterogeneous Treatment Effect Causal Impact Analysis) เป็นการต่อยอดกรอบการทำงานของ Bayesian structural time-series causal impact เพื่อประมาณค่าไม่เพียงแค่ผลกระทบเฉลี่ยของการแทรกแซง แต่ยังรวมถึงความแตกต่างของผลกระทบนั้นในกลุ่มย่อยหรือหน่วยย่อยแต่ละหน่วย ด้วยการรวมการทำนายแบบสมมติฐาน (counterfactual prediction) เข้ากับการประมาณค่าผลการรักษาเฉลี่ยแบบมีเงื่อนไข (Conditional Average Treatment Effect หรือ CATE) ทำให้สามารถระบุได้ว่ากลุ่มใดได้รับประโยชน์มากที่สุดหรือน้อยที่สุดจากการแทรกแซง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9(1), 247-274. DOI: 10.1214/14-AOAS788 ↗
- Athey, S., & Imbens, G. (2016). Recursive partitioning for heterogeneous causal effects. Proceedings of the National Academy of Sciences, 113(27), 7353-7360. DOI: 10.1073/pnas.1510489113 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Heterogeneous Treatment Effect Causal Impact Analysis. ScholarGate. https://scholargate.app/th/causal-inference/heterogeneous-treatment-effect-causal-impact-analysis
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การวิเคราะห์ผลกระทบเชิงสาเหตุการอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- Heterogeneous Treatment Effect Difference-in-Differences (HTE-DiD)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การวิเคราะห์อนุกรมเวลาแบบขัดจังหวะ (Interrupted Time Series - ITS)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ เปรียบเทียบ
- ระเบียบวิธีสังเคราะห์การควบคุม (Synthetic Control Method - SCM)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ