Estimation doublement robuste augmentée par apprentissage automatique (ML-DR)

L'estimation doublement robuste augmentée par apprentissage automatique (ML-DR) combine la stratégie d'identification doublement robuste classique (AIPW) avec des modèles d'apprentissage automatique flexibles pour les fonctions de nuisance — le score de propension et la régression des résultats. Il en résulte un estimateur causal qui est convergent si l'un ou l'autre composant ML est correctement spécifié, et qui atteint une inférence valide à la vitesse $\sqrt{n}$ même lorsque les modèles de nuisance sont estimés avec une régularisation de haute dimension ou des apprenants non paramétriques.