Machine Learning-Augmented Entropy Balancing

Machine learning-augmented entropy balancing (ML-EB) kombiniert Hainmuellers Entropy Balancing-Neugewichtungsschema mit einem Machine-Learning-Outcome-Modell, um einen doppelt robusten kausalen Schätzer zu erzeugen. Durch die gemeinsame Optimierung von Kovariaten-Balance-Gewichten und einer flexiblen Anpassung des vorhergesagten Outcomes liefert ML-EB konsistente Schätzungen des Behandlungseffekts, selbst wenn entweder die Gewichtung oder das Outcome-Modell fehlerhaft spezifiziert ist, und es bewältigt hochdimensionale Kovariatenräume, die mit klassischem Entropy Balancing nicht einfach ausbalanciert werden können.