Czym jest heterogeniczny efekt leczenia i jak go szukać?

Heterogeniczny efekt leczenia (HTE) to efekt działania (np. leczenia, kampanii reklamowej, zmiany interfejsu), który różni się w zależności od cech poszczególnych podgrup lub nawet pojedynczych użytkowników. W przeciwieństwie do Średniego Efektu Leczenia (ATE), który pokazuje średni efekt w całej populacji, HTE pozwala zrozumieć, dla których segmentów efekt jest silniejszy lub słabszy.

Do poszukiwania HTE zwykle stosuje się następujące podejścia:

1. Stratyfikacja — dzielenie danych na podgrupy według cech (wiek, region, zachowanie) i ocena efektu w każdej grupie.
2. Modele z interakcjami — tworzenie modeli regresji z interakcjami między cechą leczenia a innymi zmiennymi.
3. Metody uczenia maszynowego — używanie algorytmów specjalnie opracowanych do oceny HTE, np. Causal Forest, modele uplift, drzewka decyzyjne ukierunkowane.

Przykład z użyciem Causal Forest (w Pythonie z biblioteką econml):

from econml.grf import CausalForest

# X - cechy, T - binarne leczenie, y - wynik
model = CausalForest()
model.fit(y, T, X)

# Prognoza efektu leczenia dla każdego obiektu
hte = model.effect(X)

W ten sposób HTE pomaga podejmować bardziej precyzyjne decyzje, dostosowując interwencję do różnych segmentów użytkowników.