というNBER論文が上がっている（ungated(IDEAS)版）。原題は「Using Machine Learning for Efficient Flexible Regression Adjustment in Economic Experiments」で、著者はJohn A. List（シカゴ大）、Ian Muir（Lyft）、Gregory K. Sun（シカゴ大）。
以下はその要旨。
This study investigates how to use regression adjustment to reduce variance in experimental data. We show that the estimators recommended in the literature satisfy an orthogonality property with respect to the parameters of the adjustment. This observation greatly simplifies the derivation of the asymptotic variance of these estimators and allows us to solve for the efficient regression adjustment in a large class of adjustments. Our efficiency results generalize a number of previous results known in the literature. We then discuss how this efficient regression adjustment can be feasibly implemented. We show the practical relevance of our theory in two ways. First, we use our efficiency results to improve common practices currently employed in field experiments. Second, we show how our theory allows researchers to robustly incorporate machine learning techniques into their experimental estimators to minimize variance.
（拙訳）
本研究は、実験データの分散を減らすためにどのように回帰調整を用いるかを調べる。我々は、この研究分野で推奨されている推計値は、調整パラメータについて直交特性を満たすことを示す。この結果は、それらの推計値の漸近的な分散の導出を大いに簡単化し、多くの種類の調整における効率的な回帰調整を解くことを可能にする。我々の効率性の結果は、以前からこの分野で知られていた結果の多くを一般化する。次に我々は、この効率的な回帰調整を上手く実装できる方法を論じる。ここでは、我々の理論の実務的な重要性を2つの方法で示す。第一に、我々の効率性の結果を用いて、フィールド実験で現在用いられている一般的な慣行を改善する。第二に、我々の理論によって如何に研究者が機械学習の技法を自分たちの実験の推計値に頑健な形で取り込んで分散を最小化できるようになるかを示す。
