Methodenbewijsdossier

Machine Learning-Augmented Counterfactual Impact Evaluation

Machine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather than imposing parametric functional forms for confounders, ML learners — such as lasso, random forests, or neural nets — estimate nuisance functions (propensity scores, outcome regressions) that are then used to construct approximately unbiased estimates of causal effects. The canonical instantiation is Double/Debiased Machine Learning (DML), formalized by Chernozhukov et al. (2018).

Sources recorded, not reviewed

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

Taxonomisch methodendossier · regression-model / causal-inference

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

Taxonomic bucketCausal Impact Analysismachine-suggested · Relational suggestion, not evidence.Taxonomic bucketCounterfactual Impact Evaluationmachine-suggested · Relational suggestion, not evidence.Same method familyDifference-in-Differencesmachine-suggested · Relational suggestion, not evidence.See alsoPropensity Score Matchingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSynthetic Control Methodmachine-suggested · Relational suggestion, not evidence.