Гетерогенні ефекти впливу (CATE / Мета-навчачі)
Гетерогенні ефекти впливу — це структура машинного навчання, яка оцінює, як ефект впливу варіюється між індивідами — умовний середній ефект впливу (CATE). Вона об'єднує стратегії мета-навчання, такі як T-Learner, S-Learner, X-Learner та R-Learner, поряд із причинним лісом (causal forest) Wager та Athey (2018) і Künzel et al. (2019).
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/uk/causal-inference/heterogeneous-treatment-effects
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Алгоритми причинно-наслідкового виявлення (PC, FCI, LiNGAM)Причинно-наслідковий висновок↔ порівняти
- Коригування "передніх дверей" (критерій "передніх дверей")Причинно-наслідковий висновок↔ порівняти
- Зіставлення за показником схильностіСтатистика досліджень↔ порівняти
- Регресійний розривний дизайн (RDD)Причинно-наслідковий висновок↔ порівняти
- Інструментальні змінні через двокроковий метод найменших квадратів (IV/2SLS)Причинно-наслідковий висновок↔ порівняти
Згадується в
Similar methods
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →