上のグラフでは、同じXの時に、処置ありY1と、処置なしY0の値があります。eが付いているのは、同じXの時の反事実のデータです。
サンプルごとの因果効果の分析 の続きです。
上のグラフでは、同じXの時に、処置ありY1と、処置なしY0の値があります。eが付いているのは、同じXの時の反事実のデータです。
Xのどの値の時でも、Y1の時の方が高いです。 こういう時は、 対応のある検定 をして、「処置には効果があります」という進め方ができます。
これに対して、下のグラフのような時は、「Xが高い時は、処置には効果があります」と説明する必要があります。
これが局所的な因果効果の分析です。
場合によっては、「Xが〇〇の時は、因果効果はこのくらい」という分析もできます。
この分析は、
反実仮想機械学習
として知られています。
条件付き平均処置効果（Conditional Average Treatment Effect：CATE）というのは、 Xが高い時だけ、低い時だけ、というようにして分けた時の平均処置効果です。
「つくりながら学ぶ！ Pythonによる因果分析 因果推論・因果探索の実践入門」 小川雄太郎 著 マイナビ出版 2020
条件付き平均処置効果が紹介されています。
順路
次は
ARI因果効果モデル
