回答:
私が医者で、治療グループの全員に1日1時間家に帰って運動し、対照グループには何も言わないようにするとします。1か月後、血圧の違いを評価します。2つのグループの平均血圧の差を比較するだけで、推定量を処理するつもりです。これは私に血圧への運動の因果関係を教えてくれませんが、人々に血圧への運動を促す因果関係を教えてくれます。治療グループのほんの一部の人だけが私のアドバイスに従うので、この推定は運動自体の治療効果よりも小さいと推定します。この違いを考慮する必要があります。
主な例は、器械的変数です。この手順は、ITTからATEを回復することを目的としています。たとえば、
ジョシュア・D・アングリスト; グイドW.インベンス; ドナルド・B・ルービン。1996.「インストゥルメンタル変数を使用した因果関係の特定」JASA 91（434）：444--455。
あなたの問題は言語の曖昧さだと思います。私は、「平均治療効果」をATEのサブセットとして「治療する意図」と常に見てきました。
例えば：
ITT分析では、試験の治療群のATEを推定しています。「治療された治療」は、実際に治療された人々の間でATEを推定しています。
教育目的のためには、実際には次の3つの量について考える方がはるかに優れています。
ITT：治療効果の意図 -結果に対する治療の割り当ての効果（全員） LATE：局所平均治療効果 - 治療の効果なしコンプライアンスのためにATE：平均治療効果 - すべての人の結果に対する 治療の効果
ITTが最も簡単です。一部の個人を治療に、一部を管理にランダム化すると、治療への割り当ての因果関係を確実に回復できます。それがITTです。
LATEはもう少し複雑ですが、測定値は2ステージ最小二乗法などの機器変数を介して収集されることが最も多く、一部の人々を治療に割り当て（T = 1）、制御するいくつか（T = 0）、人々は彼らがすることをするでしょう！いくつかは治療を受けます（D = 1）といくつかは治療を受けません（D = 0）。一部の人々は私たちの任務を順守することをいとわないと想像できます。私たちのデータのすべての人がどのような人なのか知りたいと思うかもしれません-彼らは私たちが言うことを実行する人、反抗する人、常に取り上げる人、決して取り上げない人のタイプですか？何も仮定せずにこれを知るには、実際に各人について、治療に割り当てられた場合に何が行われ、制御に割り当てられた場合に何が行われるかを知る必要があります。たとえば、フレッドを想像してみましょう。1つの宇宙では、フレッドの扱いを割り当てます。彼はそれを取り上げます！別のユニバースでは、Fredコントロールを割り当てます。彼は治療を受けません！フレッドは従った！したがって：
残念ながら、データの各人が実際にどのような人物であるかを特定することはできません。私たちは1つの宇宙に住んでいます...しかし、仮定（単調性）を行うと、人々の実際の動作を使用して、その「タイプ」を収集できます。それが済んだら、さらにいくつかの仮定（除外制限、有効なランダム化、DまたはYでのSUTVA違反なし、関連性）を作成して、FOR FOR COMPLIERSの処理の平均効果を計算できます。これはLATEです。これは「局所的」平均治療効果と呼ばれ、「全体的」（つまりすべて）の治療効果を計算するのではなく、「局所的」（つまり一部、具体的にはコンパイラー）の治療効果を計算します。そのため、CATEまたはComplier Average Treatment Effectとも呼ばれます。
神話のATEにたどり着きました！ATEは平均治療効果です。つまり、人の種類に関係なく、すべての人の平均治療効果です。ああ！私たちの仮定では、ATEを回復できません！それらを使用しても、コンパイラーまたはLATEの治療効果しか回復できません！ATEを回復する最も簡単な方法は、非準拠がないことを確認することです。次に、あなたのコンパイラの平均治療効果は、誰もがコンパイラであるため、平均治療効果です！
だからあなたはそれを持っています！