Машинне навчання з доповненням різниці в різницях (ML-DiD)

ML-DiD поєднує класичну ідентифікаційну стратегію різниці в різницях із гнучкими оцінками машинного навчання для допоміжних функцій — показника схильності та регресії результату — для отримання дійсних причинних оцінок, навіть коли вибір лікування та динаміка результату є складними, високорозмірними або нелінійними. Підхід, що базується на подвійному/зневаженому машинному навчанні (Chernozhukov et al., 2018) та подвійно стійких DiD (Sant'Anna & Zhao, 2020), захищає від зміщення через неправильну специфікацію, зберігаючи при цьому основну логіку DiD порівнянь до-після, оброблених проти контрольних.