Vyhodnocení kontrafaktuálního dopadu rozšířené o strojové učení

Vyhodnocení kontrafaktuálního dopadu rozšířené o strojové učení kombinuje důvěryhodnost kauzální inference potenciálních výsledků s flexibilitou moderních algoritmů strojového učení (ML). Namísto zavádění parametrických funkčních forem pro matoucí proměnné odhadují ML algoritmy — jako je lasso, náhodné lesy nebo neuronové sítě — rušivé funkce (propensity scores, regresní modely výsledků), které jsou následně použity k vytvoření přibližně nestranných odhadů kauzálních efektů. Kanonickou instancí je Double/Debiased Machine Learning (DML), formalizovaný Chernozhukovem et al. (2018).