Dieses Papier behandelt die Anwendung von neuronalen Netzen zur Schätzung von Behandlungseffekten aus beobachtungsorientierten Daten. Im Allgemeinen erfolgt die Schätzung in zwei Stufen. Zunächst passen wir Modelle für das erwartete Ergebnis und die Wahrscheinlichkeit der Behandlung (Propensity Score) für jede Einheit an. Anschließend integrieren wir diese angepassten Modelle in einen nachgeschalteten Schätzer des Effekts. Neuronale Netze sind eine natürliche Wahl für die Modelle in der ersten Stufe. Die Frage, die wir hier untersuchen, lautet: Wie können wir den Aufbau und das Training der in der ersten Stufe verwendeten neuronalen Netze anpassen, um die Qualität der endgültigen Schätzung des Behandlungseffekts zu verbessern? Wir schlagen zwei Anpassungen vor, die auf Erkenntnissen aus der statistischen Literatur zur Schätzung von Behandlungseffekten basieren. Die erste ist eine neue Architektur, das Dragonnet, das die Suffizienz des Propensity Scores für die Schätzungsanpassung nutzt. Die zweite ist ein Regularisierungsverfahren, die gezielte Regularisierung (targeted regularization), das einen Bias zu Modellen induziert, die nichtparametrisch optimale asymptotische Eigenschaften „aus der Box“ besitzen. Studien an Benchmark-Datensätzen für kausale Inferenz zeigen, dass diese Anpassungen bestehende Methoden übertrumpfen. Der Quellcode ist unter github.com/claudiashi57/dragonnet verfügbar.