Stima a doppia robustezza aumentata con machine learning (ML-DR)

La stima a doppia robustezza aumentata con machine learning (ML-DR) combina la classica strategia di identificazione a doppia robustezza (AIPW) con modelli di machine learning flessibili per le funzioni di disturbo — il punteggio di propensione e la regressione dell'esito. Il risultato è uno stimatore causale che è consistente se uno dei componenti di ML è specificato correttamente, e che raggiunge un'inferenza valida, con tasso di convergenza $\sqrt{n}$, anche quando i modelli di disturbo sono stimati con regolarizzazione ad alta dimensionalità o con apprendisti non parametrici.