Ważenie zaugmentowane uczeniem maszynowym

Klasyczne ważenie ilorazem skłonności zakłada, że model regresji logistycznej opisuje, jak zmienne tła przewidują otrzymanie leczenia. Gdy dziesiątki zmiennych objaśniających oddziałują w sposób nieliniowy, założenie to może być błędne, a wynikowe wagi mogą być znacząco niedokładne. Metody uczenia maszynowego, takie jak maszyny gradientowo wzmacniane czy super learner, mogą automatycznie wykrywać te interakcje. Wprowadzając estymowane przez uczenie maszynowe prawdopodobieństwo do zwykłego wzoru ważenia odwrotności prawdopodobieństwa, badacze uzyskują lepiej zrównoważone pseudopopulacje, z mniejszą zależnością od wyborów modelowych — pod warunkiem utrzymania pokrycia (pozytywności) i przycięcia estymowanych ilorazów skłonności z dala od zera i jedynki.