Treatment-Effekt
Der kausale Effekt einer Intervention (Treatment) auf ein Outcome. ATE ist der Durchschnitt, CATE der bedingte Effekt für Subgruppen.
Treatment Effects messen den kausalen Effekt einer Intervention – ATE als Durchschnitt, CATE als personalisierter Effekt für optimales Targeting.
Erklärung
ATE = E[Y(1) - Y(0)] – der durchschnittliche Unterschied zwischen Treatment- und Kontroll-Outcome. CATE (Conditional ATE) schätzt den Effekt für spezifische Subgruppen (z.B. nach Alter, Region). Heterogeneous Treatment Effects zeigen: "Für wen wirkt es am meisten?"
Relevanz für Marketing
CATE ist der Schlüssel zu personalisiertem Marketing: Nicht nur "wirkt die Kampagne?" sondern "für wen wirkt sie am meisten?" für optimales Targeting.
Häufige Fallstricke
ATE kann irreführend sein wenn Effekte heterogen sind. CATE-Schätzung braucht große Stichproben. Selection Bias verfälscht alle Treatment-Effect-Schätzer.
Entstehung & Geschichte
Rubin's Potential Outcomes Framework (1974) formalisierte Treatment Effects. Athey & Imbens (2016) entwickelten Causal Forests für CATE-Schätzung. EconML (Microsoft) und CausalML (Uber) machen es praktisch.
Abgrenzung & Vergleiche
Treatment-Effekt vs. Uplift Modeling
Treatment Effect ist das statistische Konzept; Uplift Modeling ist die ML-Methode zur Schätzung individueller Treatment Effects für Targeting.
Treatment-Effekt vs. Effect Size
Treatment Effect ist kausal (durch Intervention verursacht); Effect Size ist deskriptiv (Stärke eines Unterschieds, nicht notwendig kausal).