Maskinlærings-augmenteret Difference-in-Differences (ML-DiD)

ML-DiD kombinerer den klassiske difference-in-differences identifikationsstrategi med fleksible ML-estimatorer for støjfunktioner — propensity score og outcome regression — for at opnå valide kausale estimater, selv når behandlingsselektion og outcome-dynamikker er komplekse, højdimensionelle eller ikke-lineære. Tilgangen, der er rodfæstet i dobbelt/debiased maskinlæring (Chernozhukov et al., 2018) og dobbelt-robust DiD (Sant'Anna & Zhao, 2020), beskytter mod fejlspecifikationsbias, samtidig med at den bevarer den centrale DiD-logik med før-efter, behandlet-versus-kontrol sammenligninger.