Machine Learning-Aangevulde Contrafeitelijke Impactevaluatie

Machine learning-augmented counterfactual impact evaluation combineert de geloofwaardigheid van causale inferentie op basis van potentiële uitkomsten met de flexibiliteit van moderne ML-algoritmen. In plaats van parametrische functionele vormen voor confounders op te leggen, schatten ML-leerders — zoals lasso, random forests of neurale netwerken — “nuisance functions” (propensity scores, uitkomstregressies) die vervolgens worden gebruikt om bij benadering zuivere schattingen van causale effecten te construeren. De canonieke instantiatie is Double/Debiased Machine Learning (DML), geformaliseerd door Chernozhukov et al. (2018).