Machine Learning-Augaugmentiertes Regressions-Diskontinuitäts-Design

Machine learning-augmentiertes Regressions-Diskontinuitäts-Design (ML-RDD) kombiniert die Logik der scharfen Identifizierung klassischer RDDs – die eine bekannte Zuweisungsgrenze in einer Laufvariablen ausnutzt – mit flexiblen, datenadaptiven ML-Methoden zur Bandbreitenselektion, Schätzung des bedingten Mittelwerts und Kovariatenanpassung. Ziel ist es, eine genauere und weniger annahmenbeladene Schätzung des lokalen durchschnittlichen Behandlungseffekts an der Schwelle zu erhalten.