Debiased/ Double Machine Learning under Non-Standard Settings

• Antragsteller: Professor Dr. Martin Spindler
• Fachliche Zuordnung: Statistik und Ökonometrie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 555312726

Komplexe, hochdimensionale Datensätze werden im Zuge der Digitalisierung immer häufiger in Forschung und Industrie eingesetzt. Um sie zu analysieren, sind Methoden des maschinellen Lernens (ML) erforderlich, wie z. B. auf Regularisierung basierende Methoden (z. B. Lasso, Ridge, Elastic Net), Random Forest, Boosting (z. B. Boosted Trees) und neuronale Netze/Deep Learning, um nur einige zu nennen. Wichtig ist, dass diese Methoden auf Vorhersageprobleme zugeschnitten sind. In vielen Anwendungen geht das Interesse jedoch über die bloße Vorhersage eines Outcomes hinaus und erstreckt sich auf die Schätzung und Inferenz eines Zielparameters in hochdimensionalen Daten. Der sogenannte Debiased/Double-Machine-Learning-Ansatz ermöglicht valide Inferenz in solch hochdimensionalen Umgebungen. Im Projekt wird der Ansatz des Double Machine Learning auf nicht standardmäßige Daten ausgeweitet, einschließlich räumlicher, zeitlicher und räumlich-zeitlicher Daten. Die meisten realen Anwendungen fallen in diese Datentypen und daher sollten die Ergebnisse dazu beitragen, in solch komplexen Umgebungen gültige Schlussfolgerungen zu ziehen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: USA
• Kooperationspartner: Professor Victor Chernozhukov, Ph.D.