Was ist der heterogene Behandlungseffekt und wie kann man ihn suchen?

Der Heterogene Treatment Effect (HTE) ist der Effekt einer Intervention (z.B. Behandlung, Werbekampagne, Interface-Änderung), der je nach Eigenschaften einzelner Untergruppen oder sogar einzelner Nutzer variiert. Im Gegensatz zum durchschnittlichen Behandlungseffekt (ATE), der den durchschnittlichen Effekt in der gesamten Population zeigt, ermöglicht HTE zu verstehen, für welche Segmente der Effekt stärker oder schwächer ist.

Zur Suche nach HTE werden in der Regel folgende Ansätze verwendet:

1. Stratifizierung — Daten in Untergruppen nach Merkmalen (Alter, Region, Verhalten) aufteilen und den Effekt in jeder Gruppe bewerten.
2. Modelle mit Interaktionen — Regressionsmodelle mit Interaktionen zwischen Behandlungsmerkmal und anderen Variablen erstellen.
3. Methoden des maschinellen Lernens — Algorithmen verwenden, die speziell für die Bewertung von HTE entwickelt wurden, z.B. Causal Forest, uplift-Modelle, gezielte Entscheidungsbäume.

Beispiel mit Causal Forest (in Python mit der Bibliothek econml):

from econml.grf import CausalForest

# X - Merkmale, T - binäre Behandlung, y - Ergebnis
model = CausalForest()
model.fit(y, T, X)

# Vorhersage des Behandlungseffekts für jedes Objekt
hte = model.effect(X)

Auf diese Weise hilft HTE, genauere Entscheidungen zu treffen, indem die Intervention an verschiedene Nutzersegmente angepasst wird.