Double Machine Learning

Double/Debiased Machine Learning (DML), geïntroduceerd door Chernozhukov et al. (2018), is een semiparametrisch raamwerk voor het schatten van causale of structurele parameters in aanwezigheid van hoogdimensionale controlevariabelen. Het maakt gebruik van flexibele machine learning-methoden om 'nuisance functions' te modelleren — de conditionele verwachtingen van de uitkomst en de behandeling gegeven covariaten — en construeert vervolgens een gedebiasede schatter van de doelparameter die wortel-n consistentie en valide inferentie bereikt, ondanks de regularisatiebias die inherent is aan hoogdimensionale instellingen.