Evaluación de Impacto Contrafactual Aumentada por Aprendizaje Automático

La evaluación de impacto contrafactual aumentada por aprendizaje automático (Machine Learning-Augmented Counterfactual Impact Evaluation) combina la credibilidad de la inferencia causal de resultados potenciales con la flexibilidad de los algoritmos modernos de ML. En lugar de imponer formas funcionales paramétricas para los confundidores, los aprendices de ML —como lasso, bosques aleatorios o redes neuronales— estiman funciones de molestia (puntuaciones de propensión, regresiones de resultados) que luego se utilizan para construir estimaciones de efectos causales aproximadamente insesgadas. La instancia canónica es el Aprendizaje Automático Doblemente/Desviado (Double/Debiased Machine Learning, DML), formalizado por Chernozhukov et al. (2018).