เปรียบเทียบวิธี

	ผลกระทบจากการรักษาที่แตกต่างกัน (CATE / Meta-Learners)	ขั้นตอนวิธีค้นหาความเป็นเหตุเป็นผล (PC, FCI, LiNGAM)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2018	2000
ผู้ริเริ่ม	Wager & Athey (causal forest); Künzel et al. (meta-learners)	Spirtes, Glymour & Scheines (PC/FCI); Shimizu et al. (LiNGAM)
ประเภท	Causal machine-learning framework	Causal structure learning
แหล่งต้นตำรับ	Wager, S. & Athey, S. (2018). Estimation and Inference of Heterogeneous Treatment Effects using Random Forests. Journal of the American Statistical Association.	Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2nd ed.). MIT Press. ISBN: 978-0262194402
ชื่อเรียกอื่น	conditional average treatment effect, CATE, meta-learners, causal forest	PC algorithm, FCI algorithm, LiNGAM, causal structure learning
ที่เกี่ยวข้อง	5	5
สรุป	Heterogeneous Treatment Effects is a machine-learning framework that estimates how a treatment effect varies across individuals — the conditional average treatment effect (CATE). It bundles meta-learner strategies such as the T-Learner, S-Learner, X-Learner and R-Learner alongside the causal forest of Wager and Athey (2018) and Künzel et al. (2019).	Causal discovery is a family of algorithms that automatically learn a directed acyclic graph (DAG) describing causal structure directly from observational data. The constraint-based PC and FCI algorithms were developed by Spirtes, Glymour and Scheines (2000), while the LiNGAM model of Shimizu et al. (2006) exploits linear non-Gaussian structure to orient edges.