เปรียบเทียบวิธี

	การจับคู่แบบละเอียดหยาบที่เสริมด้วยแมชชีนเลิร์นนิง (ML-CEM)	การประมาณค่าแบบทนทานสองเท่า (AIPW)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2012-2019	2005
ผู้ริเริ่ม	Extension of Iacus, King & Porro (2012) CEM; ML integration developed in subsequent causal ML literature	Robins & Rotnitzky; Bang & Robins
ประเภท	Matching / quasi-experimental	Semiparametric causal estimator
แหล่งต้นตำรับ	Iacus, S. M., King, G., & Porro, G. (2012). Causal Inference without Balance Checking: Coarsened Exact Matching. Political Analysis, 20(1), 1-24.	Robins, J. M. & Rotnitzky, A. (1995). Semiparametric Efficiency in Multivariate Regression Models with Missing Data. Journal of the American Statistical Association, 90(429), 122-129.
ชื่อเรียกอื่น	ML-augmented CEM, ML-CEM, automated coarsened exact matching, ML-assisted CEM	AIPW, augmented inverse probability weighting, doubly robust estimator, Çift Gürbüz Kestirici (Augmented IPW / AIPW)
ที่เกี่ยวข้อง	6	5
สรุป	Machine Learning-Augmented Coarsened Exact Matching extends Coarsened Exact Matching (Iacus, King & Porro, 2012) by using supervised machine learning to automate and optimise the coarsening step — the discretisation of continuous covariates into bins — rather than relying on researcher-specified cutpoints. This reduces both ad hoc subjectivity in coarsening decisions and residual imbalance, while preserving CEM's core logic of exact matching within coarsened strata.	Doubly Robust Estimation, also called Augmented Inverse Probability Weighting (AIPW), is a semiparametric method for estimating causal treatment effects that combines an outcome regression model with a propensity (treatment) model. Developed in the work of Robins & Rotnitzky (1995) and Bang & Robins (2005), it stays consistent as long as at least one of the two models is correctly specified.