การประเมินผลกระทบเชิงโต้กลับที่เสริมด้วยแมชชีนเลิร์นนิง

การประเมินผลกระทบเชิงโต้กลับที่เสริมด้วยแมชชีนเลิร์นนิง (Machine learning-augmented counterfactual impact evaluation) ผสมผสานความน่าเชื่อถือของการอนุมานเชิงสาเหตุแบบศักยภาพ-ผลลัพธ์ (potential-outcomes causal inference) เข้ากับความยืดหยุ่นของอัลกอริทึม ML สมัยใหม่ แทนที่จะกำหนดรูปแบบฟังก์ชันเชิงพารามิเตอร์สำหรับตัวแปรปะปน (confounders) ตัวเรียนรู้ ML เช่น lasso, random forests หรือ neural nets จะประมาณค่าฟังก์ชันรบกวน (nuisance functions) (คะแนนความโน้มเอียง (propensity scores), การถดถอยผลลัพธ์ (outcome regressions)) ซึ่งจะถูกนำไปใช้สร้างค่าประมาณผลกระทบเชิงสาเหตุที่ไม่ลำเอียงโดยประมาณ การดำเนินการที่เป็นแบบแผนคือ Double/Debiased Machine Learning (DML) ซึ่งถูกกำหนดโดย Chernozhukov et al. (2018)