Pondération par l'inverse de la probabilité augmentée par l'apprentissage automatique (ML-IPW)

La pondération par l'inverse de la probabilité augmentée par l'apprentissage automatique remplace la régression logistique paramétrique par des algorithmes d'apprentissage automatique flexibles pour estimer les scores de propension au traitement, puis repondère l'échantillon pour équilibrer les unités traitées et témoins. En tirant parti d'apprenants adaptatifs aux données tels que lasso, forêts aléatoires ou boosting de gradient, ML-IPW contrôle les facteurs de confusion de haute dimension et non linéaires que l'IPW classique manque, tout en conservant le cadre de pondération intuitif.