เปรียบเทียบวิธี

	การออกแบบการไม่ต่อเนื่องของการถดถอยแบบฟัซซีที่เสริมด้วยการเรียนรู้ของเครื่อง	Difference-in-Differences (DiD)
สาขาวิชา	การอนุมานเชิงสาเหตุ	เศรษฐมิติ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2001 (fuzzy RDD); 2018 (double ML augmentation)	1994
ผู้ริเริ่ม	Hahn, Todd & Van der Klaauw (fuzzy RDD); Chernozhukov et al. (ML augmentation framework)	Card & Krueger (canonical 1994 application); Angrist & Pischke (textbook treatment)
ประเภท	Quasi-experimental causal inference	Causal inference / panel regression
แหล่งต้นตำรับ	Hahn, J., Todd, P., & Van der Klaauw, W. (2001). Identification and estimation of treatment effects with a regression-discontinuity design. Review of Economic Studies, 68(1), 201-209.	Angrist, J. D., & Pischke, J.-S. (2009). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press. ISBN: 978-0691120355
ชื่อเรียกอื่น	ML-augmented fuzzy RDD, ML fuzzy RD, double ML fuzzy RDD, nonparametric fuzzy RDD	diff-in-diff, DiD, Farkların Farkı (Diff-in-Diff)
ที่เกี่ยวข้อง	5	5
สรุป	ML-augmented fuzzy RDD extends the classical fuzzy regression discontinuity design by replacing parametric polynomial approximations with flexible machine learning estimators. Where standard fuzzy RDD uses IV-style estimation at a threshold with imperfect compliance, the ML-augmented variant leverages nonparametric learners — such as random forests or neural networks — to model both the outcome and the first-stage treatment probability near the cutoff, reducing misspecification bias while preserving causal identification.	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.