Šta je heterogeni efekat tretmana i kako ga tražiti?

Хетерогени ефекат liječenja (HTE) je efekt intervencije (npr. liječenje, reklamna kampanja, promjena sučelja) koji varira ovisno o karakteristikama pojedinačnih podgrupa ili čak pojedinačnih korisnika. Za razliku od prosječnog učinka liječenja (ATE), koji prikazuje srednji učinak na cijelu populaciju, HTE omogućava razumijevanje za koje segmente je učinak jači ili slabiji.

Za pronalazak HTE obično se primjenjuju sljedeći pristupi:

1. Stratifikacija — dijeljenje podataka na podskupine prema karakteristikama (dob, regija, ponašanje) i procjena učinka u svakoj skupini.
2. Modeli s interakcijama — izgradnja regresijskih modela s interakcijama između karakteristike liječenja i drugih varijabli.
3. Metode strojnog učenja — korištenje algoritama posebno razvijenih za procjenu HTE, poput Causal Forest, uplift modela, ciljnih stabala odlučivanja.

Primjer s korištenjem Causal Forest (u Pythonu s knjižnicom econml):

from econml.grf import CausalForest

# X - karakteristike, T - binarno liječenje, y - rezultat
model = CausalForest()
model.fit(y, T, X)

# Predviđanje učinka liječenja za svaki objekt
hte = model.effect(X)

Na ovaj način, HTE pomaže donositi preciznije odluke, prilagođavajući intervenciju različitim segmentima korisnika.