¿Qué es el efecto heterogéneo del tratamiento y cómo buscarlo?

El Efecto de Tratamiento Heterogéneo (HTE) es el efecto de una intervención (por ejemplo, tratamiento, campaña publicitaria, cambio en la interfaz) que varía según las características de subgrupos individuales o incluso de usuarios específicos. A diferencia del Efecto Promedio de Tratamiento (ATE), que muestra el efecto medio en toda la población, el HTE permite entender en qué segmentos el efecto es más fuerte o más débil.

Para buscar HTE, generalmente se aplican los siguientes enfoques:

1. Estratificación — dividir los datos en subgrupos según características (edad, región, comportamiento) y evaluar el efecto en cada grupo.
2. Modelos con interacciones — construir modelos de regresión con interacciones entre la característica del tratamiento y otras variables.
3. Métodos de aprendizaje automático — usar algoritmos diseñados específicamente para evaluar HTE, como Causal Forest, modelos uplift, árboles de decisión dirigidos.

Ejemplo usando Causal Forest (en Python con la biblioteca econml):

from econml.grf import CausalForest

# X - características, T - tratamiento binario, y - resultado
model = CausalForest()
model.fit(y, T, X)

# Predicción del efecto del tratamiento para cada objeto
hte = model.effect(X)

De esta manera, el HTE ayuda a tomar decisiones más precisas, adaptando la intervención a diferentes segmentos de usuarios.