Разширен с машинно обучение нечетлив дизайн на прекъсване на регресията

ML-разширеният нечетлив RDD разширява класическия нечетлив дизайн на прекъсване на регресията, като замества параметричните полиномни апроксимации с гъвкави оценители от машинно обучение. Там, където стандартният нечетлив RDD използва оценка в стил IV на праг с несъвършено съответствие, ML-разширеният вариант използва нонпараметрични учащи — като случайни гори или невронни мрежи — за моделиране както на резултата, така и на вероятността за лечение в първа фаза близо до прага, намалявайки отклонението от неправилна спецификация, като същевременно запазва причинната идентификация.