使用倾向评分的匹配型估计器是积极的劳动力市场政策评估的主要工具。这项工作调查了用于估计倾向评分的机器学习算法是否会导致使用半径匹配框架对被治疗者的平均治疗效果进行更可信的估计。考虑到两种流行的方法，结果是不明确的:我们发现，在中小型高维数据集中，使用基于LASSO的logit模型来估计倾向得分比传统方法提供更可信的结果。然而，在处理份额较低的情况下，使用随机森林来估计倾向评分可能会导致性能的恶化。该申请显示，培训计划对长期失业者的就业日数有积极影响。虽然“第一阶段”的选择与观察数量少且处理较少的设置高度相关，但机器学习和传统估计在更大的样本和更高的处理份额中变得更加相似。