#hte

노트 10개

• CATE (Conditional Average Treatment Effect) Conditional Average Treatment Effect (CATE)는 covariate $X=x$가 주어졌을 때의 평균 처치 효과:
• Causal Forest Causal Forest는 Athey, Tibshirani, Wager (2019)가 제안한 일반화 랜덤 포레스트(GRF)의 인과추론 응용으로, 처리 효과의 이질성을 최대화하도록 분할합니다.
• DR-Learner DR-Learner는 CATE 추정을 위한 2단계 doubly robust estimator로, Pseudo-outcome을 covariate에 대해 regression하는 방식.
• HTE (Heterogeneous Treatment Effects) 처치 효과가 개인의 특성에 따라 달라지는 현상
• ITE (Individual Treatment Effect) 개인 $i$에 대한 처치 효과
• Meta-learners Meta-learners는 기존 supervised learning 방법 (base learner)을 활용하여 CATE를 추정하는 알고리즘의 총칭.
• R-Learner R-Learner (Residualized Learner)는 Robinson Transformation을 기반으로 residualized outcome과 residualized treatment를 사용하여 CATE를 추정하는 Meta-learners.
• S-Learner S-Learner (Single Learner)는 treatment indicator를 feature로 포함하는 단일 모델로 response function을 추정한 후 CATE를 계산하는 Meta-learners.
• T-Learner T-Learner (Two Learner)는 treatment group과 control group에 대해 별도의 모델을 학습하여 CATE를 추정하는 Meta-learners.
• X-Learner X-Learner는 imputed treatment effect를 활용한 3단계 알고리즘으로, 그룹 간 불균형과 CATE의 구조적 특성을 효과적으로 활용하는 Meta-learners.