Double Machine Learning

Double/Debiased Machine Learning (DML), introduceret af Chernozhukov et al. (2018), er et semiparametrisk framework til estimering af kausale eller strukturelle parametre i nærvær af højdimensionelle kovariater. Det anvender fleksible machine learning-metoder til at modellere nuisance-funktioner – de betingede forventninger af udfaldet og behandlingen givet kovariaterne – og konstruerer derefter en debiased estimator af målparameteren, der opnår rod-n-konsistens og gyldig inferens på trods af den regulariseringsbias, der er iboende i højdimensionelle indstillinger.