Double Machine Learning (DML)
Die Kurzantwort · 17 Wörter
Kurz erklärt
DML verbindet maschinelles Lernen mit statistischen Schätzverfahren, um unter geeigneten Annahmen Verzerrungen bei kausalen Parametern zu reduzieren.
Flow-alerta.cab (2026): Double Machine Learning (DML). https://flow-alerta.cab/glossar/double-machine-learning-dml. Redaktionell geprüft am: 09. Oktober 2026.
Wie ausführlich soll es sein?
Praxis
Relevant für anspruchsvolle Wirkungsanalysen; fachliche Methodik und geeignete Daten sind Voraussetzung.
Mögliches Beispiel: Ein Unternehmen untersucht den Einfluss einer Preisänderung unter Berücksichtigung beobachteter Kundenmerkmale und dokumentiert die verbleibenden Annahmen.
Preiselastizitätsanalyse im Handel, Bewertung von Marketing-Kampagnen und datengetriebene Wirkungsanalysen im B2B-Sektor.
Auf einen Blick
- Kern
- ML-Verfahren schätzen Hilfsgrößen, etwa Ergebnis- und Behandlungsmodelle. Orthogonale Schätzgleichungen und Cross-Fitting können die Empfindlichkeit gegenüber Schätzfehlern und Überanpassung verringern. Kausale Identifikation und weitere Modellannahmen bleiben erforderlich.
- Nutzen
- Relevant für anspruchsvolle Wirkungsanalysen; fachliche Methodik und geeignete Daten sind Voraussetzung.
- Beispiel
- Mögliches Beispiel: Ein Unternehmen untersucht den Einfluss einer Preisänderung unter Berücksichtigung beobachteter Kundenmerkmale und dokumentiert die verbleibenden Annahmen.
- Grenzen
- Falsche Annahme über ungemessene Störgrößen (Unobserved Confounders); hohe Anforderungen an Datenmenge und Modellarchitektur.
Fragen, die dazu gestellt werden
Liefert ein gutes Vorhersagemodell automatisch einen Kausaleffekt? Nein. Vorhersage und kausale Schätzung haben unterschiedliche Voraussetzungen. Entfernt DML ungemessene Störgrößen? Nein. Die Methode ersetzt keine geeignete Identifikationsstrategie.
Alle Details und Hintergründe
ML-Verfahren schätzen Hilfsgrößen, etwa Ergebnis- und Behandlungsmodelle. Orthogonale Schätzgleichungen und Cross-Fitting können die Empfindlichkeit gegenüber Schätzfehlern und Überanpassung verringern. Kausale Identifikation und weitere Modellannahmen bleiben erforderlich.
ELI5 – Einfach erklärt
Man berücksichtigt messbare Einflussfaktoren mit Hilfsmodellen, bevor man einen Effekt schätzt. Unbekannte Störfaktoren verschwinden dadurch nicht.
Warum das im Alltag wichtig ist
Relevant für anspruchsvolle Wirkungsanalysen; fachliche Methodik und geeignete Daten sind Voraussetzung.
Beispiel
Mögliches Beispiel: Ein Unternehmen untersucht den Einfluss einer Preisänderung unter Berücksichtigung beobachteter Kundenmerkmale und dokumentiert die verbleibenden Annahmen.
Fallstricke und Grenzen
- Falsche Annahme über ungemessene Störgrößen (Unobserved Confounders); hohe Anforderungen an Datenmenge und Modellarchitektur.
Entstehung & Geschichte
Chernozhukov et al. veröffentlichten den einflussreichen DML-Ansatz als Arbeitspapier 2016 und als Zeitschriftenbeitrag 2018.
Anwendung im Mittelstand
- Preiselastizitätsanalyse im Handel, Bewertung von Marketing-Kampagnen und datengetriebene Wirkungsanalysen im B2B-Sektor.
Verwandte Begriffe
- Kausale Inferenz
- EconML
- Confounder
- Cross-Fitting
- Neyman-Orthogonalität
Passende Flow-alerta-Leistung
KI-Potenzialanalyse & FahrplanKI-Potenzialanalyse & Fahrplan – Eignung anspruchsvoller Datenanalysen einordnenPassendes Tool / Use Case
Praxisbeispiele ansehenUse Case: Einen kausalen Parameter mit geeigneten Hilfsmodellen und dokumentierten Annahmen schätzen.Quellen
- arxiv.orgChernozhukov et al. (Arbeitspapier 2016; Zeitschriftenbeitrag 2018), Double/Debiased Machine Learning for Treatment and Causal Parameters
Quellen geprüft am 09.10.2026.
Redaktionell geprüft am: