Het onderzoek van professor Seiler richt zich op het snijvlak van machine learning en zoekgedrag van consumenten, waarbij grootschalige gegevens worden gebruikt om de besluitvorming in verschillende sectoren te begrijpen, van consumptiegoederen tot gezondheidszorg. Zijn recente werk richt zich op een fundamentele uitdaging in causale inferentie: het schatten van de vraag wanneer prijzen endogeen worden aangepast als reactie op een behandeling.
Door zijn methodologie toe te passen op gegevens van supermarktscanners laat professor Seiler zien hoe traditionele regressies tot aanzienlijke vertekeningen kunnen leiden wanneer prijzen niet goed geïnstrumenteerd zijn. Zijn onderzoek biedt een robuust kader voor het testen en terugvinden van onbevooroordeelde behandelingseffecten en biedt kritische methodologische richtlijnen voor wetenschappers en praktijkmensen die de impact van reclame- en prijsstrategieën analyseren.
