Estimació robusta a doble augmentada per aprenentatge automàtic (ML-DR)

L'estimació robusta a doble augmentada per aprenentatge automàtic (ML-DR) combina l'estratègia clàssica d'identificació robusta a doble (AIPW) amb models flexibles d'aprenentatge automàtic per a les funcions de molèstia — la puntuació de propensió i la regressió de resultats. El resultat és un estimador causal que és consistent si qualsevol component d'ML està correctament especificat, i que aconsegueix una inferència vàlida, amb taxa $\sqrt{n}$, fins i tot quan els models de molèstia s'estimen amb regularització d'alta dimensionalitat o aprenents no paramètrics.