Double Machine Learning

Double/Debiased Machine Learning (DML), eingeführt von Chernozhukov et al. (2018), ist ein semiparametrisches Framework zur Schätzung kausaler oder struktureller Parameter im Beisein von hochdimensionalen Kontrollvariablen. Es verwendet flexible Machine-Learning-Methoden zur Modellierung von Störfunktionen – den bedingten Erwartungswerten des Ergebnisses und der Behandlung gegeben Kovariaten – und konstruiert dann einen entzerrten Schätzer für den Zielparameter, der trotz des Regularisierungsbias in hochdimensionalen Einstellungen Wurzel-n-Konsistenz und gültige Inferenz erzielt.