Maskinlærings-augmenteret propensity score matching

Maskinlærings-augmenteret propensity score matching (ML-PSM) erstatter den traditionelle logistiske regression, der bruges til at estimere propensity scores, med fleksible maskinlæringsalgoritmer — såsom gradient boosted trees, random forests eller LASSO — for bedre at kunne indfange komplekse, ikke-lineære sammenhænge mellem kovariater. De resulterende rigere propensity scores forbedrer kovariatbalancen og reducerer bias i den estimerede gennemsnitlige behandlingseffekt på de behandlede (ATT).