Evaluasi Dampak Kontrafaktual yang Diperkuat Pembelajaran Mesin

Evaluasi dampak kontrafaktual yang diperkuat pembelajaran mesin menggabungkan kredibilitas inferensi kausal kerangka hasil potensial dengan fleksibilitas algoritma ML modern. Alih-alih memaksakan bentuk fungsional parametrik untuk perancu (confounders), pembelajar ML — seperti lasso, random forests, atau neural nets — memperkirakan fungsi gangguan (propensity scores, regresi hasil) yang kemudian digunakan untuk membangun perkiraan efek kausal yang hampir tidak bias. Instansiasi kanonik adalah Double/Debiased Machine Learning (DML), yang diformalkan oleh Chernozhukov et al. (2018).