Машинное обучение-аугментированный анализ чувствительности для причинности

Машинное обучение-аугментированный анализ чувствительности объединяет гибкие ML-оценщики с формальными проверками робастности для оценки того, сколько ненаблюдаемого смешения потребовалось бы, чтобы опровергнуть причинно-следственную связь. Основанный на двойной/дебиасированной ML-структуре Chernozhukov et al. и инструментах анализа чувствительности к опущенным переменным Cinelli и Hazlett, он обеспечивает как высокоразмерную корректировку ковариат, так и прозрачное представление оставшейся неопределенности относительно ненаблюдаемых смешивающих факторов.