เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| วิธีการจับคู่ (CEM / Optimal / Genetic)× | ผลกระทบจากการรักษาที่แตกต่างกัน (CATE / Meta-Learners)× | |
|---|---|---|
| สาขาวิชา | การอนุมานเชิงสาเหตุ | การอนุมานเชิงสาเหตุ |
| ตระกูล | Regression model | Regression model |
| ปีกำเนิด≠ | 2012 | 2018 |
| ผู้ริเริ่ม≠ | Iacus, King & Porro (CEM); Hansen (optimal/full matching) | Wager & Athey (causal forest); Künzel et al. (meta-learners) |
| ประเภท≠ | Matching for causal inference | Causal machine-learning framework |
| แหล่งต้นตำรับ≠ | Iacus, S. M., King, G., & Porro, G. (2012). Causal Inference without Balance Checking: Coarsened Exact Matching. Political Analysis, 20(1), 1-24. DOI ↗ | Wager, S. & Athey, S. (2018). Estimation and Inference of Heterogeneous Treatment Effects using Random Forests. Journal of the American Statistical Association. DOI ↗ |
| ชื่อเรียกอื่น≠ | coarsened exact matching, optimal matching, genetic matching, CEM | conditional average treatment effect, CATE, meta-learners, causal forest |
| ที่เกี่ยวข้อง | 5 | 5 |
| สรุป≠ | Matching Methods are a family of causal-inference techniques beyond propensity-score matching that pair treated and control units with similar covariates so that a treatment effect can be read off the balanced sample. The family includes Coarsened Exact Matching (Iacus, King & Porro, 2012), optimal matching, and genetic matching. | 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). |
| ScholarGateชุดข้อมูล ↗ |
|
|