Difference-in-Differences (DiD) tăng cường bằng Học máy (ML-DiD)

ML-DiD kết hợp chiến lược nhận dạng kinh điển difference-in-differences với các ước lượng ML linh hoạt cho các hàm nhiễu — điểm xu hướng và hồi quy kết quả — để thu được các ước lượng nhân quả hợp lệ ngay cả khi việc lựa chọn điều trị và động lực học kết quả phức tạp, nhiều chiều hoặc phi tuyến. Phương pháp này, bắt nguồn từ học máy kép/làm mất độ chệch (double/debiased machine learning - DML) (Chernozhukov et al., 2018) và DiD mạnh mẽ kép (doubly-robust DiD) (Sant'Anna & Zhao, 2020), bảo vệ chống lại sai lệch do chỉ định sai mô hình trong khi vẫn giữ được logic cốt lõi của DiD là so sánh trước-sau, nhóm điều trị-so với nhóm đối chứng.