Évaluation d'impact contrefactuelle augmentée par l'apprentissage automatique

L'évaluation d'impact contrefactuelle augmentée par l'apprentissage automatique combine la crédibilité de l'inférence causale basée sur les résultats potentiels avec la flexibilité des algorithmes d'apprentissage automatique modernes. Plutôt que d'imposer des formes fonctionnelles paramétriques pour les facteurs de confusion, les apprenants d'apprentissage automatique — tels que lasso, forêts aléatoires ou réseaux neuronaux — estiment les fonctions de nuisance (scores de propension, régressions de résultats) qui sont ensuite utilisées pour construire des estimations approximativement non biaisées des effets causaux. L'instanciation canonique est l'apprentissage automatique doublement débiaisé (DML), formalisé par Chernozhukov et al. (2018).