เปรียบเทียบวิธี

	ผลกระทบจากการรักษาที่แตกต่างกัน (CATE / Meta-Learners)	การออกแบบการถดถอยแบบไม่ต่อเนื่อง (Regression Discontinuity Design - RDD)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2018	2008
ผู้ริเริ่ม	Wager & Athey (causal forest); Künzel et al. (meta-learners)	Imbens & Lemieux (guide to practice); Cattaneo, Idrobo & Titiunik (practical introduction)
ประเภท	Causal machine-learning framework	Quasi-experimental causal design
แหล่งต้นตำรับ	Wager, S. & Athey, S. (2018). Estimation and Inference of Heterogeneous Treatment Effects using Random Forests. Journal of the American Statistical Association.	Imbens, G. W., & Lemieux, T. (2008). Regression Discontinuity Designs: A Guide to Practice. Journal of Econometrics, 142(2), 615-635.
ชื่อเรียกอื่น	conditional average treatment effect, CATE, meta-learners, causal forest	RDD, regression discontinuity design, sharp RDD, fuzzy RDD
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).	Regression Discontinuity Design is a quasi-experimental method that identifies a causal effect by locally comparing units just above and just below a cutoff on a continuous assignment (running) variable. Formalised for applied work by Imbens and Lemieux (2008) and developed as a practical framework by Cattaneo, Idrobo, and Titiunik (2020), it estimates a local average treatment effect (LATE) at the threshold.