Machine Learning-Augmented Doubly Robust Estimation (ML-DR)

Die Machine-Learning-augmentierte doppelt robuste (ML-DR) Schätzung kombiniert die klassische doppelt robuste (AIPW) Identifikationsstrategie mit flexiblen Machine-Learning-Modellen für die Störfunktionen – dem Propensity Score und der Outcome-Regression. Das Ergebnis ist ein kausaler Schätzer, der konsistent ist, wenn eine der ML-Komponenten korrekt spezifiziert ist, und der eine gültige, auf die Wurzel-n-Rate bezogene Inferenz ermöglicht, selbst wenn die Störmodelle mit hochdimensionaler Regularisierung oder nichtparametrischen Lernverfahren geschätzt werden.