Avaliação de Impacto Contrafactual Aumentada por Aprendizado de Máquina

A avaliação de impacto contrafactual aumentada por aprendizado de máquina combina a credibilidade da inferência causal de resultados potenciais com a flexibilidade de algoritmos modernos de aprendizado de máquina (ML). Em vez de impor formas funcionais paramétricas para confundidores, aprendizes de ML — como lasso, florestas aleatórias ou redes neurais — estimam funções de incômodo (escores de propensão, regressões de resultado) que são então usadas para construir estimativas aproximadamente não enviesadas de efeitos causais. A instanciação canônica é o Aprendizado de Máquina Duplamente/Desenviesado (DML), formalizado por Chernozhukov et al. (2018).