Equilíbrio de Entropia Aumentado por Aprendizado de Máquina

O equilíbrio de entropia aumentado por aprendizado de máquina (ML-EB) combina o esquema de reponderação de equilíbrio de entropia de Hainmueller com um modelo de resultado de aprendizado de máquina para produzir um estimador causal duplamente robusto. Ao otimizar conjuntamente os pesos de equilíbrio de covariáveis e um ajuste flexível do resultado previsto, o ML-EB entrega estimativas consistentes do efeito do tratamento mesmo quando o modelo de ponderação ou o modelo de resultado está incorretamente especificado, e ele lida com espaços de covariáveis de alta dimensão que o equilíbrio de entropia clássico não consegue equilibrar facilmente.