Double Machine Learning
Kausale Inferenzmethode, die ML-Modelle nutzt, um Confounding flexibel zu kontrollieren und dabei valide statistische Inferenz zu ermöglichen.
Double ML verbindet ML-Flexibilität mit kausaler Validität: Zwei ML-Modelle kontrollieren für Confounding, Residuen liefern den kausalen Effekt.
Erklärung
DML nutzt zwei ML-Modelle: (1) Vorhersage des Treatments aus Confoundern, (2) Vorhersage des Outcomes aus Confoundern. Die Residuen beider werden dann für die kausale Schätzung genutzt. Cross-Fitting verhindert Overfitting-Bias.
Relevanz für Marketing
Verbindet die Flexibilität von ML (nicht-lineare Confounder-Kontrolle) mit der Validität klassischer Ökonometrie – ideal für datenreiche Marketing-Settings.
Häufige Fallstricke
Braucht gute ML-Modelle für Treatment und Outcome. Overlap-Assumption muss gelten. Unbeobachtete Confounder bleiben ein Problem.
Entstehung & Geschichte
Chernozhukov et al. veröffentlichten DML 2018. EconML (Microsoft) und DoubleML (Python) machten es praktisch. Gilt als Brücke zwischen ML und Ökonometrie.
Abgrenzung & Vergleiche
Double Machine Learning vs. Instrumental Variable
IV braucht ein exogenes Instrument; DML kontrolliert Confounding direkt mit ML-Modellen (flexibler, aber braucht Beobachtbarkeit).
Double Machine Learning vs. Propensity Score Matching
Propensity Score Matching nutzt ein Modell; DML nutzt zwei (Treatment und Outcome) mit Cross-Fitting für weniger Bias.