條件平均處置效應（CATE）

一種對年輕人有益、對年長者有害的藥，其平均值會誤導人。條件平均處置效應拒絕把所有人平均在一起；它把處置效應報告成『你是誰』的函數，於是同一個介入對某種特徵的人可能讀出強烈有益，對另一種人卻毫無用處。每當重點是『該對誰施以處置』而不只是『處置平均而言有沒有效』時，它就是自然的目標。

形式上，CATE 是函數 tau(x) = E[Y(1) - Y(0) given X = x]，也就是限制在共變量為 x 的子母體上的 ATE。把它估好是一個機器學習問題，因為 tau(x) 可能是平滑且高維的。元學習器把它拆解成標準迴歸：S-learner 用一個把處置當特徵的模型，T-learner 對每個處置臂各擬合一個模型，而 X-learner 與 R-learner 使用殘差化、正交化後更穩健的目標。因果森林則改造隨機森林來估計 tau(x)，並給出有效的信賴區間。

難處在於：CATE 估計承襲了 ATE 的所有識別假設（無混淆、重疊），還額外加上一個統計風險——效應異質性是疊在強烈結果變異之上的微弱訊號，因此天真的模型會把雜訊當成結構過度擬合。誠實估計（honest estimation）、樣本切分與正則化，正是讓異質性宣稱保持可信的關鍵。