Maschinelles Lernen-gestützte Propensity-Score-Matching

Maschinelles Lernen-gestütztes Propensity-Score-Matching (ML-PSM) ersetzt die traditionelle logistische Regression zur Schätzung von Propensity Scores durch flexible Algorithmen des maschinellen Lernens – wie Gradient Boosting Trees, Random Forests oder LASSO –, um komplexe, nichtlineare Zusammenhänge zwischen Kovariaten besser zu erfassen. Die daraus resultierenden reichhaltigeren Propensity Scores verbessern die Kovariatenbalance und reduzieren den Bias im geschätzten durchschnittlichen Behandlungseffekt bei den Behandelten (ATT).