Estimación Doblemente Robusta Aumentada por Aprendizaje Automático (ML-DR)

La estimación doblemente robusta aumentada por aprendizaje automático (ML-DR) combina la estrategia clásica de identificación doblemente robusta (AIPW) con modelos flexibles de aprendizaje automático para las funciones de molestia —la puntuación de propensión y la regresión del resultado. El resultado es un estimador causal que es consistente si cualquiera de los componentes de ML está correctamente especificado, y que logra una inferencia válida a tasa raíz de n incluso cuando los modelos de molestia se estiman con regularización de alta dimensionalidad o aprendices no paramétricos.