Heterojen Tedavi Etkileri (CATE / Meta-Öğreniciler)
Heterogeneous Treatment Effects (CATE / Meta-Learners) · Ayrıca şöyle bilinir: conditional average treatment effect, CATE, meta-learners, causal forest, X-Learner, T-Learner, S-Learner, R-Learner, Heterojen Tedavi Etkileri (CATE / Meta-Learners)
Heterojen Tedavi Etkileri, bir tedavi etkisinin bireyler arasında nasıl değiştiğini — koşullu ortalama tedavi etkisi (CATE) — tahmin eden bir makine öğrenmesi çerçevesidir. Wager ve Athey (2018) ile Künzel ve diğerleri (2019) tarafından geliştirilen nedensel ormanın yanı sıra T-Öğrenici, S-Öğrenici, X-Öğrenici ve R-Öğrenici gibi meta-öğrenici stratejilerini bir araya getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir tedavinin, politikanın veya müdahalenin farklı insanları farklı şekilde etkilediğini düşündüğünüzde ve tek bir ortalama raporlamak yerine bu bireysel etkileri tahmin etmek, sıralamak veya hedeflemek istediğinizde bu çerçeveyi kullanın. Makul derecede büyük bir örneklem (en az yaklaşık 200 gözlem) ve yanıltmazlık (koşullu bağımsızlık) varsayımı gerektirir: gözlemlenen özelliklere koşulduktan sonra, tedavi ataması rastgelelik kadar iyidir. Örneklem boyutunuza ve beklediğiniz heterojenlik gücüne uyacak meta-öğreniciyi seçin ve aşırı uyumdan korunmak için çapraz uydurma kullanın. CATE tahminleri, herhangi bir tek kişi için kesin nokta etkilerinden ziyade bir sıralama ve hedefleme aracı olarak en iyi şekilde okunur.
Güçlü yönler & sınırlılıklar
- Her şeyi tek bir ortalamaya indirgemek yerine, bir tedavi etkisinin bireyler arasında nasıl değiştiğini geri kazanır.
- Esnek: meta-öğreniciler herhangi bir makine öğrenmesi regresörünü sarar ve nedensel orman etki heterojenliği için geçerli çıkarım sağlar.
- Doğrudan politika hedeflemesini destekler — insanları tahmini faydaya göre sıralayın ve etkinin en büyük olduğu yeri tedavi edin.
- Oldukça büyük bir örneklem gerektirir (yaklaşık 200+); küçük örneklemler aşırı uyum, güvenilmez CATE tahminleri üretir.
- Tamamen yanıltmazlık varsayımına dayanır — gözlemlenmeyen karıştırıcılar tahmin edilen etkileri yanlı hale getirir.
- CATE tahminleri bireysel düzeyde önemli belirsizlik taşır ve nokta yorumlamasından ziyade sıralama için daha güvenilirdir.
SSS
CATE nedir?
Koşullu ortalama tedavi etkisi τ(x), bireyin tedavi edilmiş ve edilmemiş sonuçları arasındaki beklenen farktır, özelliklerine x bağlıdır. Tek ortalama tedavi etkisini kişiselleştirilmiş, özelliklere bağlı bir etkiye genelleştirir.
Hangi meta-öğreniciyi seçmeliyim?
Örneklem boyutuna ve beklediğiniz heterojenliğe bağlıdır. S- ve T-Öğreniciler en basittir; X-Öğrenici, her grubun modelini bir eğilim ağırlığı ile harmanlayarak dengesiz tedavi gruplarıyla genellikle daha iyi performans gösterir; R-Öğrenici önce kalıntılaştırır. Geçerli çıkarım da istediğinizde nedensel orman güçlü bir varsayılan değerdir.
Yanıltmazlık ne gerektirir?
Gözlemlenen özelliklere koşulduktan sonra, tedavi atamasının potansiyel sonuçlardan bağımsız olmasını gerektirir — hem tedaviyi hem de sonucu yönlendiren gizli bir karıştırıcı yoktur. Bu başarısız olursa, CATE tahminleri yanlıdır ve IV / 2SLS gibi bir araç değişken tasarımına geçmelisiniz.
Neden çapraz uydurma önerilir?
Çapraz uydurma, bir gözlemin etkisini tahmin etmek için kullanılan modelin o gözlem üzerinde eğitilmediği şekilde veriyi böler. Bu, aşırı uyumu azaltır ve etki heterojenliğinin daha dürüst, daha az iyimser tahminlerini verir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/tr/causal-inference/heterogeneous-treatment-effects
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nedensellik Keşfi Algoritmaları (PC, FCI, LiNGAM)Nedensel çıkarım↔ karşılaştır
- Ön Kapı Ayarlaması (Frontdoor Criterion)Nedensel çıkarım↔ karşılaştır
- Eğilim Skoru EşleştirmesiAraştırma istatistiği↔ karşılaştır
- Regresyon Kesintili Tasarımı (RDD)Nedensel çıkarım↔ karşılaştır
- İnstrumantal Değişkenler - İki Aşamalı En Küçük Kareler (IV/2SLS)Nedensel çıkarım↔ karşılaştır