Машинное обучение с дополненной оценкой контрфактического воздействия

Машинное обучение с дополненной оценкой контрфактического воздействия сочетает в себе достоверность причинно-следственного вывода на основе потенциальных исходов с гибкостью современных ML-алгоритмов. Вместо наложения параметрических функциональных форм для конфаундеров, ML-ученики — такие как лассо, случайные леса или нейронные сети — оценивают второстепенные функции (оценочные вероятности, регрессии исходов), которые затем используются для построения приблизительно несмещенных оценок причинных эффектов. Канонической реализацией является двойное/сглаженное машинное обучение (DML), формализованное Chernozhukov et al. (2018).