Appariement par score de propension augmenté par l'apprentissage automatique

L'appariement par score de propension augmenté par l'apprentissage automatique (ML-PSM) remplace la régression logistique traditionnelle utilisée pour estimer les scores de propension par des algorithmes d'apprentissage automatique flexibles — tels que les arbres de régression boostés par gradient, les forêts aléatoires ou LASSO — afin de mieux capturer les relations complexes et non linéaires entre les covariables. Les scores de propension plus riches qui en résultent améliorent l'équilibre des covariables et réduisent le biais dans l'estimation de l'effet moyen du traitement sur les traités (ATT).