Maskinlæringsforsterket kontrafaktisk effektvurdering

Maskinlæringsforsterket kontrafaktisk effektvurdering kombinerer troverdigheten til kausal inferens basert på potensielle utfall med fleksibiliteten til moderne ML-algoritmer. I stedet for å pålegge parametriske funksjonelle former for konfoundere, estimerer ML-læringsmodeller – som lasso, tilfeldige skoger eller nevrale nettverk – nuisance-funksjoner (propensity scores, utfallsregresjoner) som deretter brukes til å konstruere tilnærmet uforvrengte estimater av kausale effekter. Den kanoniske instansieringen er Double/Debiased Machine Learning (DML), formalisert av Chernozhukov et al. (2018).