Wij stellen een baanbrekend en transformerend paradigma voor statistische modellering voor dat van cruciaal belang is om de kwaliteit van data-analyses te verbeteren. We zullen fundamentele principes vastleggen voor een schattingstheorie, die modelparameters afbeeldt op generieke, interpreteerbare, modelvrije 'estimands' met een gunstige efficiëntiegrens, en die de kracht van 'debiased machine learning' benut om deze te schatten. Dit zal een flexibel en toegankelijk kader voor data-analyse opleveren, dat minimale vertekening en maximale interpreteerbaarheid biedt, zelfs in het geval van modelmisspecificatie, samen met eerlijke betrouwbaarheidsintervallen die rekening houden met modelonzekerheid. In het bijzonder zullen we dergelijke technieken ontwikkelen om actuele uitdagingen in causale modellering aan te pakken, waaronder het eerste coherente analysekader voor 'target trial emulation'.