เปรียบเทียบวิธี

	การวิเคราะห์ผลกระทบเชิงสาเหตุเสริมด้วยการเรียนรู้ของเครื่อง	การวิเคราะห์ผลกระทบเชิงสาเหตุ
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2015-2018	2015
ผู้ริเริ่ม	Brodersen et al. (foundational BSTS framework, 2015); Chernozhukov et al. (double ML augmentation, 2018)	Kay H. Brodersen, Fabian Gallusser, Jim Koehler, Nicolas Remy, Steven L. Scott (Google)
ประเภท	Quasi-experimental causal inference with ML	Bayesian causal inference / counterfactual forecasting
แหล่งต้นตำรับ	Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9(1), 247-274.	Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9(1), 247-274.
ชื่อเรียกอื่น	ML-augmented causal impact, ML-CausalImpact, machine learning causal impact, ML-augmented BSTS	CausalImpact, BSTS causal inference, Bayesian causal impact, counterfactual time-series analysis
ที่เกี่ยวข้อง	6	5
สรุป	Machine learning-augmented causal impact analysis combines quasi-experimental counterfactual reasoning with flexible ML prediction models to estimate the causal effect of an intervention on a time series outcome. Building on Brodersen et al.'s Bayesian structural time series (BSTS) framework and extended by double/debiased ML methods, it constructs a synthetic counterfactual from donor covariates and infers the treatment effect as the gap between observed and predicted post-intervention outcomes.	Causal Impact Analysis, introduced by Brodersen et al. (2015) at Google, uses Bayesian structural time-series models to estimate what would have happened to an outcome had an intervention never occurred. By constructing a probabilistic counterfactual from pre-treatment data and control covariates, it quantifies point-in-time and cumulative treatment effects with full posterior uncertainty intervals.