Регрессионный разрывный дизайн, дополненный машинным обучением

Регрессионный разрывный дизайн, дополненный машинным обучением (ML-RDD), сочетает строгую логику идентификации классического RDD — использующую известный порог присвоения в непрерывной переменной — с гибкими, адаптивными к данным методами машинного обучения для выбора ширины окна, оценки условного среднего и корректировки ковариат. Цель состоит в получении более точной и менее зависимой от допущений оценки локального среднего эффекта воздействия на пороге.