Qu'est-ce que l'effet hétérogène du traitement et comment le rechercher?

L’effet de traitement hétérogène (HTE) est l’effet d’une intervention (par exemple, traitement, campagne publicitaire, changement d’interface) qui varie en fonction des caractéristiques de sous-groupes ou même d’utilisateurs individuels. Contrairement à l’effet moyen de traitement (ATE), qui montre l’effet moyen sur toute la population, le HTE permet de comprendre pour quels segments l’effet est plus fort ou plus faible.

Pour rechercher le HTE, on utilise généralement les approches suivantes :

1. Stratification — diviser les données en sous-groupes selon des caractéristiques (âge, région, comportement) et évaluer l’effet dans chaque groupe.
2. Modèles avec interactions — construire des modèles de régression avec des interactions entre la caractéristique du traitement et d’autres variables.
3. Méthodes d’apprentissage automatique — utiliser des algorithmes spécifiquement conçus pour évaluer le HTE, comme Causal Forest, modèles uplift, arbres de décision ciblés.

Exemple avec Causal Forest (en Python avec la bibliothèque econml) :

from econml.grf import CausalForest

# X - caractéristiques, T - traitement binaire, y - résultat
model = CausalForest()
model.fit(y, T, X)

# Prédiction de l’effet du traitement pour chaque objet
hte = model.effect(X)

Ainsi, le HTE aide à prendre des décisions plus précises, en adaptant l’intervention à différents segments d’utilisateurs.