Answers:
假设我是一名医生，我告诉治疗组中的每个人每天回家锻炼一个小时，而告诉对照组则什么也没有。一个月后，我评估了他们的血压差异。如果我只是比较两组之间的平均血压差异，那我就有意治疗估计量。这不是告诉我运动对血压的因果关系，而是告诉人们运动对血压的因果关系。我们可以推定该估计值将小于运动本身的治疗效果，因为治疗组中只有一小部分人会遵循我的建议。您需要考虑到这种差异。
一个典型的例子是工具变量。此过程旨在从ITT恢复ATE。例如，参见
Joshua D. Angrist；Guido W.Imbens; 唐纳德·鲁宾（Donald B. Rubin）。1996。“使用工具变量确定因果效应”。JASA 91（434）：444--455。
我认为您的问题是语言模棱两可。我一直看过将Intent-to-Treat作为ATE子集的“平均治疗效果”。
例如：
ITT分析正在评估试验治疗组中的ATE 。“经过治疗的治疗”是对实际治疗者中的ATE进行估算。
出于教学目的，最好考虑以下三个数量：
ITT：意图治疗效果 -治疗分配对结果的影响（每个人） 晚期：局部平均治疗效果 -治疗对无结果的影响对于并发症者：平均治疗效果 -治疗对结果对所有人的 影响
ITT是最简单的。如果我们将一些人随机分配到治疗组中，而另一些人控制在对照组中，那么我们当然可以恢复分配到治疗中的因果关系。那就是ITT。
LATE稍微复杂一点，但是该度量通常是通过工具变量/两个阶段的最小二乘等收集的。假设我们不在实验室环境中，即使我们分配了一些人进行治疗（T = 1）并分配有些要控制（T = 0），人们会做他们将做的事情！一些将接受治疗（D = 1），而某些将不接受治疗（D = 0）。我们可以想象有些人只是愿意遵守我们的任务。我们可能想知道我们数据中的每个人都是什么样的人-他们是将按照我们所说的去做，谁会反抗，谁会永远接受，谁永远不会接受的人类型吗？要在不作任何假设的情况下知道这一点，我们实际上需要为每个人知道他们在接受治疗时会做什么以及在接受控制后会做什么。让我们想象一下弗雷德。在一个宇宙中，我们分配弗雷德治疗。他接了！在另一个Universe中，我们分配Fred控制权。他不接受治疗！弗雷德遵守了！从而：
不幸的是，我们实际上无法收集数据中每个人的类型。我们生活在一个宇宙中……但是，如果我们假设（单调性），我们就可以利用人们的实际行为来收集他们的“类型”。完成此操作后，我们可以再做一些假设（排除限制，有效随机化，D或Y上没有违反SUTVA，相关性），以计算对COMPLIERS的平均治疗效果。这是最新的。它被称为“局部”平均治疗效果b / c，它不是“全局”（即针对所有）计算治疗效果，而是“局部”（即针对某些情况，特别是针对合规者）计算治疗效果。因此，有时也称为CATE或Complier平均处理效果。
现在我们到了神话般的ATE！ATE是平均治疗效果- 每个人的平均治疗效果，无论他们是什么人。唉! 我们的假设将使我们无法恢复ATE！即使有了它们，我们也只能恢复编译器或LATE的治疗效果！恢复ATE的最直接方法是确保不存在违规情况。那么，您的编译器平均治疗效果就是平均治疗效果，因为每个人都是编译器！
所以你有它！