เปรียบเทียบวิธี

	การประมาณค่าความแกร่งสองเท่าที่เสริมด้วยการเรียนรู้ของเครื่อง (ML-DR)	Difference-in-Differences (DiD)
สาขาวิชา	การอนุมานเชิงสาเหตุ	เศรษฐมิติ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2018	1994
ผู้ริเริ่ม	Chernozhukov, Chetverikov, Demirer, Duflo, Hansen, Newey & Robins	Card & Krueger (canonical 1994 application); Angrist & Pischke (textbook treatment)
ประเภท	Semiparametric causal estimator with ML nuisance	Causal inference / panel regression
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.	Angrist, J. D., & Pischke, J.-S. (2009). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press. ISBN: 978-0691120355
ชื่อเรียกอื่น	ML-DR, AIPW with ML, Double/Debiased ML doubly robust, DML-DR	diff-in-diff, DiD, Farkların Farkı (Diff-in-Diff)
ที่เกี่ยวข้อง	6	5
สรุป	Machine learning-augmented doubly robust (ML-DR) estimation combines the classical doubly robust (AIPW) identification strategy with flexible machine learning models for the nuisance functions — the propensity score and the outcome regression. The result is a causal estimator that is consistent if either ML component is correctly specified, and that achieves valid, root-n inference even when the nuisance models are estimated with high-dimensional regularisation or nonparametric learners.	Difference-in-Differences is a causal-inference method that estimates the effect of an intervention by comparing how a treatment group and a control group change over time. Made famous by Card and Krueger's 1994 minimum-wage study and developed in Angrist and Pischke's Mostly Harmless Econometrics, it isolates the treatment effect as the difference between the two groups' before-after changes.