Hiệu ứng điều trị không đồng nhất (CATE / Siêu người học)
Hiệu ứng điều trị không đồng nhất là một khuôn khổ học máy ước tính sự thay đổi của hiệu ứng điều trị giữa các cá nhân — hiệu ứng điều trị trung bình có điều kiện (CATE). Nó bao gồm các chiến lược siêu người học như T-Learner, S-Learner, X-Learner và R-Learner cùng với rừng nhân quả của Wager và Athey (2018) và Künzel et al. (2019).
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Bản đồ phương pháp
Lân cận của các phương pháp liên quan — chọn một nút để khám phá.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/vi/causal-inference/heterogeneous-treatment-effects
Phương pháp nào?
Đặt phương pháp này bên cạnh những phương pháp gần gũi nhất với nó và đọc chúng song song — thư viện bày sách lên bàn; lựa chọn là của bạn.
- Các thuật toán Khám phá Nhân quả (PC, FCI, LiNGAM)Suy luận nhân quả↔ so sánh
- Điều chỉnh cửa trước (Tiêu chuẩn cửa trước)Suy luận nhân quả↔ so sánh
- Ghép cặp điểm xu hướngThống kê nghiên cứu↔ so sánh
- Thiết kế Gián đoạn Hồi quy (Regression Discontinuity Design - RDD)Suy luận nhân quả↔ so sánh
- Biến công cụ thông qua Bình phương tối thiểu hai giai đoạn (IV/2SLS)Suy luận nhân quả↔ so sánh
Được tham chiếu bởi
Similar methods
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →