เปรียบเทียบวิธี

	ผลกระทบจากการรักษาที่แตกต่างกัน (CATE / Meta-Learners)	Random Forest
สาขาวิชา	การอนุมานเชิงสาเหตุ	การเรียนรู้ของเครื่อง
ตระกูล	Regression model	Machine learning
ปีกำเนิด	2018	2001
ผู้ริเริ่ม	Wager & Athey (causal forest); Künzel et al. (meta-learners)	Breiman, L.
ประเภท	Causal machine-learning framework	Ensemble (bagging of decision trees)
แหล่งต้นตำรับ	Wager, S. & Athey, S. (2018). Estimation and Inference of Heterogeneous Treatment Effects using Random Forests. Journal of the American Statistical Association.	Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.
ชื่อเรียกอื่น	conditional average treatment effect, CATE, meta-learners, causal forest	Rastgele Orman (Random Forest), rastgele orman, random decision forest, bagged tree ensemble
ที่เกี่ยวข้อง	5	4
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).	Random Forest is an ensemble learning method, introduced by Leo Breiman in 2001, that grows many decision trees on bootstrap samples of the data and combines their votes to produce strong classification and regression. By pooling many slightly different trees, it produces more accurate and more stable predictions than any single tree.