Maschinelles Lernen-gestützte kontrafaktische Wirkungsanalyse

Das maschinelle Lernen-gestützte kontrafaktische Wirkungsanalyse kombiniert die Glaubwürdigkeit der kausalen Inferenz auf Basis von Potential-Outcomes mit der Flexibilität moderner ML-Algorithmen. Anstatt parametrische Funktionsformen für Störvariablen anzunehmen, schätzen ML-Lerner – wie Lasso, Random Forests oder Neuronale Netze – Störfunktionen (Propensity Scores, Outcome-Regressionen), die dann zur Konstruktion von annähernd unverzerrten Schätzern kausaler Effekte verwendet werden. Die kanonische Instanziierung ist Double/Debiased Machine Learning (DML), formalisiert durch Chernozhukov et al. (2018).