#hte

노트 10개

• CATE (Conditional Average Treatment Effect) CATE는 공변량(covariate) $X=x$가 주어졌을 때의 평균 처치효과(treatment effect)를 가리킨다.
• Causal Forest Causal Forest는 Athey, Tibshirani, Wager (2019)가 제안한 일반화 랜덤 포레스트(GRF)를 인과추론에 응용한 방법으로, 처치효과(treatment effect)의 이질성이 최대가 되도록 데이터를 분할한다.
• DR-Learner DR-Learner는 의사결과(pseudo-outcome)를 공변량(covariate)에 회귀시켜 CATE를 추정하는 2단계 이중 강건(doubly robust) 추정량(estimator)이다.
• HTE (Heterogeneous Treatment Effects) 이질적 처치효과(HTE)는 처치효과(treatment effect)가 개인의 특성에 따라 달라지는 현상을 가리킨다.
• ITE (Individual Treatment Effect) ITE는 개인 한 명에게 처치가 미치는 인과 효과로, 그 개인의 처치 시 결과와 미처치 시 결과의 차이로 정의한다. 두 잠재결과 중 하나만 관측되는 근본 문제 때문에 직접 측정할 수 없어, 보통 CATE 추정·대치·딥러닝으로 근사한다.
• Meta-learners Meta-learner는 임의의 지도학습(supervised learning) 회귀기, 즉 기저 학습기(base learner)를 조합해 CATE를 추정하는 알고리즘을 통칭한다.
• R-Learner R-Learner(Residualized Learner)는 Robinson Transformation을 토대로, 결과와 처치(treatment)에서 각각 공변량(covariate)의 영향을 걷어낸 잔차(residual)를 써서 CATE를 추정하는 메타러너(meta-learner)다.
• S-Learner S-Learner(Single Learner)는 처치 지시변수(treatment indicator)를 하나의 특성(feature)으로 포함한 단일 모델로 반응함수(response function)를 추정한 뒤 CATE를 계산하는 Meta-learners다.
• T-Learner T-Learner(Two Learner)는 처치군(treatment group)과 대조군(control group)에 대해 별도의 모델을 따로 학습해 CATE를 추정하는 Meta-learners다.
• X-Learner X-Learner는 대치된 처치효과(imputed treatment effect)를 활용하는 3단계 알고리즘으로, 그룹 간 불균형과 CATE의 구조적 특성을 효과적으로 이용하는 Meta-learners의 한 방법이다.