ผลกระทบจากการรักษาที่แตกต่างกัน (CATE / Meta-Learners)
ผลกระทบจากการรักษาที่แตกต่างกัน (Heterogeneous Treatment Effects) เป็นกรอบการทำงานของการเรียนรู้ของเครื่อง (machine learning) ที่ประมาณการว่าผลกระทบของการรักษาแตกต่างกันไปในแต่ละบุคคลอย่างไร ซึ่งก็คือผลกระทบเฉลี่ยของการรักษาแบบมีเงื่อนไข (conditional average treatment effect - CATE) กรอบการทำงานนี้ได้รวบรวมกลยุทธ์เมตา-เลิร์นเนอร์ (meta-learner) เช่น T-Learner, S-Learner, X-Learner และ R-Learner ควบคู่ไปกับ causal forest ของ Wager และ Athey (2018) และ Künzel et al. (2019)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/th/causal-inference/heterogeneous-treatment-effects
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- ขั้นตอนวิธีค้นหาความเป็นเหตุเป็นผล (PC, FCI, LiNGAM)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การปรับแบบประตูหน้า (เกณฑ์ประตูหน้า)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ เปรียบเทียบ
- การออกแบบการถดถอยแบบไม่ต่อเนื่อง (Regression Discontinuity Design - RDD)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ
- ตัวแปรเครื่องมือผ่านวิธีกำลังสองน้อยที่สุดสองขั้นตอน (IV/2SLS)การอนุมานเชิงสาเหตุ↔ เปรียบเทียบ