Maskinlærings-augmenteret kontrafaktisk effektvurdering

Maskinlærings-augmenteret kontrafaktisk effektvurdering kombinerer troværdigheden af kausal inferens baseret på potentielle udfald med fleksibiliteten af moderne ML-algoritmer. I stedet for at påtvinge parametriske funktionsformer for confounders, estimerer ML-læringsmodeller – såsom lasso, random forests eller neurale netværk – nuisance-funktioner (propensity scores, outcome-regressioner), som derefter bruges til at konstruere omtrentligt upartiske estimater af kausale effekter. Den kanoniske instansiering er Double/Debiased Machine Learning (DML), formaliseret af Chernozhukov et al. (2018).