Doble Aprendizaje Automático

El Doble Aprendizaje Automático (DML), introducido por Chernozhukov et al. (2018), es un marco semiparamétrico para estimar parámetros causales o estructurales en presencia de controles de alta dimensionalidad. Utiliza métodos flexibles de aprendizaje automático para modelar funciones de molestia —las expectativas condicionales del resultado y del tratamiento dadas las covariables— y luego construye un estimador insesgado del parámetro objetivo que logra consistencia raíz-n e inferencia válida a pesar del sesgo de regularización inherente en entornos de alta dimensionalidad.