Avaluació de impacto contrafactual augmentada amb aprenentatge automàtic

L'avaluació d'impacte contrafactual augmentada amb aprenentatge automàtic (machine learning) combina la credibilitat de la inferència causal de resultats potencials amb la flexibilitat dels algorismes moderns d'ML. En lloc d'imposar formes funcionals paramètriques per als confonders, els aprenents d'ML —com ara lasso, random forests o xarxes neuronals— estimen funcions de molèstia (puntuacions de propensió, regressions de resultats) que s'utilitzen després per construir estimacions aproximadament no esbiaixades d'efectes causals. La instanciació canònica és el Double/Debiased Machine Learning (DML), formalitzat per Chernozhukov et al. (2018).