சிகிச்சை விளைவுகள் ஆங்கிலம் மொழிபெயர்ப்பு

• of treatment effects
• therapeutic effects

தமிழ் சிகிச்சை விளைவுகள் ஐப் பயன்படுத்துவதற்கான எடுத்துக்காட்டுகள் மற்றும் அவற்றின் மொழிபெயர்ப்புகள் ஆங்கிலம்

சிகிச்சை விளைவுகள் வேறுபாட்டு( பிரிவு 4.4.2).
Heterogeneity of treatment effects(section 4.4.2).

படம் 4.7: சிகிச்சை விளைவுகள் வேறுபாட்டு Allcott( 2011).
Figure 4.7: Heterogeneity of treatment effects in Allcott(2011).

Bit By Bit- இயக்குதல் சோதனைகள்- 4.4.2 சிகிச்சை விளைவுகள் வேறுபாட்டு.
Bit By Bit- Running experiments- 4.4.2 Heterogeneity of treatment effects.

படம் 4.8: சிகிச்சை விளைவுகள் வேறுபாட்டு Costa and Kahn( 2013).
Figure 4.8: Heterogeneity of treatment effects in Costa and Kahn(2013).

முழு சிகிக்சைகளின் போது, சீன மருந்துகள் பின்வரும் சிகிச்சை விளைவுகள் வகிக்கின்றன.
During the whole treatments, Chinese medicines play the following therapeutic effects.

சிகிச்சை விளைவுகள் வேறுபாட்டு பொதுவாக முன் சிகிச்சை பண்புகள் அடிப்படையில் வேறுபாடுகள் கவனம்.
Heterogeneity of treatment effects generally focus on differences based on pre-treatment characteristics.

எளிய பரிசோதனைகள் அப்பால் நகரும் இரண்டாவது முக்கிய யோசனை சிகிச்சை விளைவுகள் பலபடித்தான உள்ளது.
The second key idea for moving beyond simple experiments is heterogeneity of treatment effects.

செல்லுபடியாகும், சிகிச்சை விளைவுகள் பலபடித்தான, மற்றும் அமைப்பு மூன்று கருத்துருக்கள் பணக்கார சோதனைகள் பயன் உள்ளத் ஆக இருக்கும்.
Three concepts are useful for rich experiments: validity, heterogeneity of treatment effects, and mechanism.

சிகிச்சை, விளைவுகள், சோதனைகள் மற்றும் பயனர்களின் அனுபவங்கள் ஆகியவற்றை நீங்கள் மறுபரிசீலனை செய்யல் ஆம் மற்றும் வெற்றிகரமான சிகிச்சையை உங்களை உறுதிப்படுத்தல் ஆம்.
Also one can see here the treatment, the effect, the tests and the experiences of the users again and convince oneself of the successful treatment..

துறையில் சோதனைகள் சிகிச்சை விளைவுகள் வேறுபாட்டில் ஒரு சிறந்த கண்ணோட்டத்திற்கு, என்ற அத்தியாயம் 12 பார்க்க Gerber and Green( 2012).
For an excellent overview of heterogeneity of treatment effects in field experiments, see Chapter 12 of Gerber and Green(2012).

GM1 இன் சிகிச்சை விளைவுகள் நியோனேட்டுகளில் உம், இஸ்கிமிக் மூளை பாதிப்பைத் தொடர்ந்து பெரியவர்கள் இடம் உம் நிரூபிக்கப் பட்ட் உள்ளன.
The therapeutic effects of GM1 have been proved both in neonates and in adults following ischemic brain damage.

பல ஆராய்ச்சியாளர்கள் நேரியல் பின்னடைவு பயன்படுத்தி சிகிச்சை விளைவுகள் பலபடித்தான மதிப்பிட, ஆனால் புதிய முறைகள் உதாரணமாக, இயந்திரம் கற்றல் தங்கியிருக்க Green and Kern( 2012), Imai and Ratkovic( 2013), Taddy et al.
Many researchers estimate the heterogeneity of treatment effects using linear regression, but newer methods rely on machine learning, for example Green and Kern(2012), Imai and Ratkovic(2013), Taddy et al.

கூடுதலாக, சிகிச்சை விளைவுகள் இ இருந்தால் உம், பிளாஸ்மாவ் உடன் தொடர்புடைய சில பாதகங்களைய் உம் கவனத்துடன் பரிசீலிக்க வேண்டும்.
In addition, given the therapeutic effects, some disadvantages associated with the plasma should be considered carefully.

குழந்தைகளுக்குப் பயன்படுத்தினால், அவற்றின் எலும்பு முதிர்வு விகிதத்தை ஆய்வு செய்ய ஒவ்வொரு மாதம் உம், ஒவ்வொரு ஆறு மாதங்களுக்க் உம், அவற்றின் எபிஃபிஸ்ஸல் மையங்களில் எந்தவொரு அனபோலிக் சிகிச்சை விளைவுகள் உம் இ இருந்தால், அவ்வப்போது X- கதிர்கள் இருக்க வேண்டும்.
If used on children, they should have periodic x-rays, mostly every six months to examine the rate of their bone maturation and if there are any anabolic therapy effects on their epiphyseal centers.

இந்த உதாரணம் காட்டுகிறபடி, சிகிச்சை விளைவுகள் புள்ளியியல் மாதிரிகளை இருந்து வந்து அந்த மாதிரிகள் விவரங்கள் பொறுத்து கொள்ளல் ஆம் பல்வேறு மக்கள் மற்றும் சிகிச்சை விளைவுகள் பற்றிய மதிப்பீடுகள், வெவ்வேறு இருக்க முடியும்( Grimmer, Messing, and Westwood 2014).
As this example illustrates, treatment effects can be different for different people and estimates of treatment effects that come from statistical models can depend on the details of those models(Grimmer, Messing, and Westwood 2014).

இந்த வெவ்வேறு தரவு சூழலில், நாம் எப்படி சிகிச்சை அதை மேம்படுத்தல் ஆம் எப்படி, வேலை, அது எப்படி நன்மை பெரும்பால் உம் வாய்ப்பு அந்த இலக்கு முடியும் பற்றி துப்பு வழங்கும் பொருட்டு சிகிச்சை விளைவுகள் பலபடித்தான மதிப்பிட முடியும்.
In this different data environment, we can estimate heterogeneity of treatment effects in order to provide clues about how the treatment works, how it can be improved, and how it can be targeted to those mostly likely to benefit.

சிகிச்சை விளைவுகளின் பரவலானது( பிரிவு 4.4.2).
Heterogeneity of treatment effects(section 4.4.2).

எவ்வாறாயினும், டிஜிட்டல் சோதனையின் தரவுச் சூழல், சிகிச்சை விளைவுகளின் நிலைத்தன்மையை மதிப்பிடுவதற்க் ஆன இயந்திர கற்றல் முறைகள் போன்ற புதிய வாய்ப்புகளை உருவாக்கிய் உள்ளது( Imai and Ratkovic 2013).
However, is that the data environment in digital experiments has created new opportunities such as using machine learning methods to estimate heterogeneity of treatment effects(Imai and Ratkovic 2013).

துறையில் சோதனைகள் சிகிச்சை விளைவுகளை heterogeneity ஒரு சிறந்த கண்ணோட்டத்திற்கு, Gerber and Green( 2012) 12 வது பார்க்கவ் உம்.
For an excellent overview of heterogeneity of treatment effects in field experiments, see Chapter 12 of Gerber and Green(2012).

தி சிகிச்சை விளைவுகளை என்ற ஒப்பனை மற்றும் மற்றவர்கள் இயற்கை கண்டுபிடிப்புகள் இங்கே வழங்குவதில் சேர்க்கப்பட்ட மதிப்பை இங்கே காணல் ஆம் நான் கன்னாபீஸ் லவ் un தனிப்பட்ட அதன் வகைய் ஆன ஒரு சிசிலி.
The therapeutic effects of cosmetics and other natural finds here present then constitute that added value that makes I Love Cannabis un unicum of its kind a Messina.

தனிப்பட்ட-நிலை சிகிச்சை விளைவுகளை மதிப்பிடுவதற்கு பதிலாக, எல்லா அலகுகளுக்க் உம் சராசரியான சிகிச்சை விளைவை மதிப்பீடு செய்யல் ஆம்.
Instead of attempting to estimate the individual-level treatment effect, we can estimate the average treatment effect for all units.

புகார் மீது இராணுவ சேவை விளைவு சில நேரங்களில் இணக்கமான சராசரி காரண விளைவு( CACE) மற்றும் சில நேரங்களில் உள்ளூர் சராசரி சிகிச்சை விளைவு( LATE) அழைக்கப்படுகிறது.
The effect of military service on compliers is sometimes called the complier average causal effect(CAcE) and sometimes the local average treatment effect(LATE).

இந்த உதாரணம் விளக்குகிறது என, சிகிச்சை விளைவுகளை வெவ்வேறு மக்கள் மற்றும் புள்ளிவிவர மாதிரிகள் இருந்து வரும் சிகிச்சை விளைவுகளை மதிப்பீடுகள் அந்த மாதிரிகள்( Grimmer, Messing, and Westwood 2014) விவரங்களை சார்ந்தது.
As this example illustrates, treatment effects can be different for different people and estimates of treatment effects that come from statistical models can depend on the details of those models(Grimmer, Messing, and Westwood 2014).

புதிய சகாப்தத்தை தேவைகளை எதிர், மின்சார சமநிலை ஸ்கூட்டர் நிறுவனங்கள் மட்டுமே ஒரு திறமையான நீர் சிகிச்சை விளைவு உருவாக்க, ஆனால் ஒரு நல்ல வாழ்க்கை உருவாக்க, மனித வாழ்க்கை சூழல் இணைந்து பேஷன் உறுப்புகள், கவனம் செலுத்துகிறேன்.
Faced with the needs of the new era, electric balance scooter companies not only to create an efficient water treatment effect, but also pay attention to the elements of fashion, combined with the human living environment, to create a better life.

குடும்பங்களின் பற்றிய தகவல்களை பரிசோதனையில் இருந்து தகவல் இணைப்பதன் மூலம், Costa and Kahn( 2013) மக்கள் மிகவும் குறிப்பிட்ட குழுக்கள் சிகிச்சை விளைவு மதிப்பிட புள்ளியியல் மாதிரிகள் ஒரு தொடர் பயன்படுத்தப்படுகிறது.
By combining information from the experiment with information about the households, Costa and Kahn(2013) used a series of statistical models to estimate the treatment effect for very specific groups of people.

சோதனையிடப்பட்ட தகவல்களிடமிருந்து தகவல்கள் உடன் தகவல்கள் உடன் இணைந்த பிறகு, Costa and Kahn( 2013) மக்கள் குறிப்பிட்ட குழுக்களுக்கு சிகிச்சை விளைவை மதிப்பிடுவதற்கு பல புள்ளிவிவர மாதிரிகள் பயன்படுத்தினர்.
After combining information from the experiment with information about the households, Costa and Kahn(2013) used a series of statistical models to estimate the treatment effect for very specific groups of people.

மத்தியஸ்தர்களின் யோசனை நான் வழிமுறைகள் என்று அழைக்கப்படுவதன் மூலம் கைப்பற்றப்படுகிறது, மேலும் நான் மதிப்பீட்டாளர்களின் யோசனை நான் வெளி செல்லுபடியாகும்( எ. கா., சோதனைகளின் முடிவுகள் வேறுபட்ட சூழ்நிலைகளில் இயங்கினால் வேறுபட்டத் ஆக இருக்கும்) மற்றும் சிகிச்சையின் விளைவுகளை எ. கா., சிலருக்கு மற்றவர்களை விட அதிகமான விளைவுகளை ஏற்படுத்துகிறது.
The idea of mediators is captured by what I call mechanisms, and the idea of moderators is captured by what I call external validity(e.g., would the results of the experiment be different if it were run in different situations) and heterogeneity of treatment effects(e.g., are the effects larger for some people than for others).

இந்த சோதனையில் சிகிச்சை விளைவு கணக்கிட இரண்டு வெவ்வேறு வழிகள் யாவை?
What are two different ways to calculate the effect of the treatment in this experiment?

எனினும், சிகிச்சை விளைவு மக்கள் தொகையில் பலவகைப்பட்ட இருக்கிறது என்றால், பின்னர் மாதிரி மோசமாக உள்ளது.
However, if the effect of the treatment is heterogeneous in the population, then sampling is critical.