เปรียบเทียบวิธี

	การประเมินผลกระทบเชิงโต้กลับที่เสริมด้วยแมชชีนเลิร์นนิง	การวิเคราะห์ผลกระทบเชิงสาเหตุ
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2016-2019	2015
ผู้ริเริ่ม	Chernozhukov et al.; Athey & Imbens	Kay H. Brodersen, Fabian Gallusser, Jim Koehler, Nicolas Remy, Steven L. Scott (Google)
ประเภท	Causal inference / ML-augmented evaluation	Bayesian causal inference / counterfactual forecasting
แหล่งต้นตำรับ	Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W., & Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68.	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 counterfactual evaluation, ML-CIE, causal ML impact evaluation, double ML counterfactual evaluation	CausalImpact, BSTS causal inference, Bayesian causal impact, counterfactual time-series analysis
ที่เกี่ยวข้อง	5	5
สรุป	Machine learning-augmented counterfactual impact evaluation combines the credibility of potential-outcomes causal inference with the flexibility of modern ML algorithms. Rather than imposing parametric functional forms for confounders, ML learners — such as lasso, random forests, or neural nets — estimate nuisance functions (propensity scores, outcome regressions) that are then used to construct approximately unbiased estimates of causal effects. The canonical instantiation is Double/Debiased Machine Learning (DML), formalized by Chernozhukov et al. (2018).	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.