Diferencias en Diferencias Aumentado con Aprendizaje Automático (ML-DiD)

El ML-DiD combina la estrategia de identificación clásica de diferencias en diferencias con estimadores de aprendizaje automático (ML) flexibles para las funciones de molestia — la puntuación de propensión y la regresión del resultado — para obtener estimaciones causales válidas incluso cuando la selección del tratamiento y la dinámica del resultado son complejas, de alta dimensionalidad o no lineales. El enfoque, arraigado en el aprendizaje automático doblemente robusto (double/debiased machine learning, DML) (Chernozhukov et al., 2018) y el DiD doblemente robusto (Sant'Anna & Zhao, 2020), protege contra el sesgo de especificación errónea al tiempo que preserva la lógica central del DiD de comparaciones antes-después, tratado-frente a control.