Machine Learning-Augmented Doubly Robust Estimation (ML-DR)

Machine learning-augmented doubly robust (ML-DR) estimation combineert de klassieke dubbel robuuste (AIPW) identificatiestrategie met flexibele machine learning-modellen voor de nuisance functies — de propensity score en de uitkomstregressie. Het resultaat is een causale schatter die consistent is als een van de ML-componenten correct is gespecificeerd, en die valide, root-n inferentie bereikt, zelfs wanneer de nuisance modellen worden geschat met hoog-dimensionale regularisatie of nonparametrische leerders.