Wat is het heterogene behandelingseffect en hoe zoek je dat?

Heterogeen Behandelings Effect (HTE) is het effect van een interventie (bijvoorbeeld behandeling, reclamecampagne, interfacewijziging) dat varieert afhankelijk van de kenmerken van subgroepen of zelfs individuele gebruikers. In tegenstelling tot de Gemiddelde Behandelings Effect (ATE), die het gemiddelde effect over de hele populatie toont, stelt HTE ons in staat te begrijpen voor welke segmenten het effect sterker of zwakker is.

Om HTE te vinden, worden meestal de volgende benaderingen toegepast:

1. Stratificatie — gegevens opdelen in subgroepen op basis van kenmerken (leeftijd, regio, gedrag) en het effect in elke groep evalueren.
2. Modellen met interacties — regressiemodellen bouwen met interacties tussen de behandelingskenmerken en andere variabelen.
3. Machine learning methoden — algoritmen gebruiken die speciaal zijn ontwikkeld voor het beoordelen van HTE, zoals Causal Forest, uplift-modellen, gerichte beslissingsbomen.

Voorbeeld met Causal Forest (in Python met de bibliotheek econml):

from econml.grf import CausalForest

# X - kenmerken, T - binaire behandeling, y - resultaat
model = CausalForest()
model.fit(y, T, X)

# Voorspelling van het behandelingseffect voor elk object
hte = model.effect(X)

Op deze manier helpt HTE om meer gerichte beslissingen te nemen, door de interventie aan te passen aan verschillende gebruikerssegmenten.