Apprentissage automatique double
L'apprentissage automatique double / débiaisé (DML), introduit par Chernozhukov et al. (2018), est un cadre semi-paramétrique pour estimer des paramètres causaux ou structurels en présence de contrôles de haute dimension. Il utilise des méthodes d'apprentissage automatique flexibles pour modéliser les fonctions de nuisance — les espérances conditionnelles du résultat et du traitement étant donné les covariables — puis construit un estimateur débiaisé du paramètre cible qui atteint la cohérence à la racine de n et une inférence valide malgré le biais de régularisation inhérent aux paramètres de haute dimension.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1–C68. DOI: 10.1111/ectj.12097 ↗
Comment citer cette page
ScholarGate. (2026, June 2). Double/Debiased Machine Learning (DML). ScholarGate. https://scholargate.app/fr/causal-inference/double-machine-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Estimation doublement robuste (AIPW)Inférence causale↔ compare
- Effets Hétérogènes du Traitement (CATE / Méta-Apprenants)Inférence causale↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →