Что такое heterogeneous treatment effect и как его искать?

Heterogeneous Treatment Effect (HTE) — это эффект воздействия (например, лечения, рекламной кампании, изменения интерфейса), который варьируется в зависимости от характеристик отдельных подгрупп или даже отдельных пользователей. В отличие от Average Treatment Effect (ATE), который показывает средний эффект по всей популяции, HTE позволяет понять, для каких сегментов эффект сильнее или слабее.

Для поиска HTE обычно применяют следующие подходы:

1. Стратификация — разбивают данные на подгруппы по признакам (возраст, регион, поведение) и оценивают эффект в каждой группе.
2. Модели с взаимодействиями — строят регрессионные модели с взаимодействиями между признаком лечения и другими переменными.
3. Методы машинного обучения — используют алгоритмы, специально разработанные для оценки HTE, например, Causal Forest, uplift-модели, таргетированные деревья решений.

Пример с использованием Causal Forest (на Python с библиотекой econml):

from econml.grf import CausalForest

# X - признаки, T - бинарное лечение, y - результат
model = CausalForest()
model.fit(y, T, X)

# Предсказание эффекта лечения для каждого объекта
hte = model.effect(X)

Таким образом, HTE помогает принимать более точные решения, адаптируя воздействие под разные сегменты пользователей.