Maskinlæringsforsterket Fuzz-regresjonsdiskontinuitetsdesign

ML-forsterket fuzz-regresjonsdiskontinuitetsdesign (RDD) utvider det klassiske fuzz-RDD ved å erstatte parametriske polynomapproksimasjoner med fleksible maskinlæringsestimatorer. Der standard fuzz-RDD bruker IV-lignende estimering ved en terskel med ufullstendig etterlevelse, utnytter den ML-forsterkede varianten ikke-parametriske læringsmodeller – som tilfeldige skoger eller nevrale nettverk – for å modellere både utfallet og sannsynligheten for behandling i første trinn nær grenseverdien, noe som reduserer feilspesifikasjonsbias samtidig som kausal identifikasjon bevares.