Conception de discontinuité de régression floue augmentée par apprentissage automatique

La RDD floue augmentée par apprentissage automatique (ML-augmented fuzzy RDD) étend la conception classique de discontinuité de régression floue en remplaçant les approximations polynomiales paramétriques par des estimateurs flexibles d'apprentissage automatique. Alors que la RDD floue standard utilise une estimation de type variables instrumentales (IV) à un seuil avec une conformité imparfaite, la variante augmentée par ML exploite des apprenants non paramétriques — tels que les forêts aléatoires ou les réseaux de neurones — pour modéliser à la fois le résultat et la probabilité de traitement de premier stade près du seuil de coupure, réduisant ainsi le biais de mauvaise spécification tout en préservant l'identification causale.