Maschinelles Lernen-gestützte Inverse Wahrscheinlichkeitsgewichtung (ML-IPW)

Maschinelles Lernen-gestützte Inverse Wahrscheinlichkeitsgewichtung ersetzt parametrische logistische Regression durch flexible ML-Algorithmen zur Schätzung von Behandlungswahrscheinlichkeiten, um dann die Stichprobe neu zu gewichten, um behandelte und Kontroll-Einheiten auszugleichen. Durch die Nutzung datenadaptiver Lerner wie Lasso, Random Forests oder Gradient Boosting kontrolliert ML-IPW für hochdimensionale und nichtlineare Störvariablen, die klassische IPW übersieht, während der intuitive Gewichtungsrahmen beibehalten wird.