Maskininlärningsförstärkt propensity score-matchning

Maskininlärningsförstärkt propensity score-matchning (ML-PSM) ersätter den traditionella logistiska regressionen som används för att estimera propensity scores med flexibla maskininlärningsalgoritmer — såsom gradient boosted trees, random forests, eller LASSO — för att bättre fånga komplexa, ickelinjära samband bland kovariater. De resulterande rikare propensity scores förbättrar kovariatsbalansen och minskar bias i den estimerade genomsnittliga behandlingseffekten på de behandlade (ATT).