Regression model
异质性处理效应（CATE / 元学习器）
异质性处理效应是一种机器学习框架，用于估计处理效应在个体之间如何变化——即条件平均处理效应（CATE）。它将元学习器策略（如 T-Learner、S-Learner、X-Learner 和 R-Learner）与 Wager 和 Athey (2018) 以及 Künzel 等人 (2019) 的因果森林结合起来。
在 MethodMind 中打开即将推出Apply, compare, get guidance
Tools & resources
Learn & explore
视频即将推出
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- 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 ↗
如何引用本页
ScholarGate. (2026, June 1). Heterogeneous Treatment Effects (CATE / Meta-Learners). ScholarGate. https://scholargate.app/zh/causal-inference/heterogeneous-treatment-effects
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- 因果发现算法 (PC, FCI, LiNGAM)因果推断↔ 比较
- 前门调整（前门准则）因果推断↔ 比较
- 倾向得分匹配研究统计学↔ 比较
- 回归断点设计 (Regression Discontinuity Design, RDD)因果推断↔ 比较
- 工具变量法/两阶段最小二乘法 (IV/2SLS)因果推断↔ 比较
被引用于
Similar methods
Heterogeneous Treatment Effect Matching EstimatorHeterogeneous Treatment Effect Inverse Probability WeightingHeterogeneous Treatment Effect Propensity Score MatchingHeterogeneous treatment effect Doubly robust estimationHeterogeneous treatment effect Counterfactual impact evaluationMachine Learning-Augmented Counterfactual Impact EvaluationHeterogeneous treatment effect Causal impact analysisHeterogeneous Treatment Effect Sensitivity Analysis for Causality