เปรียบเทียบวิธี

	การออกแบบการไม่ต่อเนื่องของการถดถอยแบบฟัซซีที่เสริมด้วยการเรียนรู้ของเครื่อง	วิธีการตัวแปรเครื่องมือ (IV) สำหรับการอนุมานเชิงสาเหตุ
สาขาวิชา	การอนุมานเชิงสาเหตุ	เศรษฐศาสตร์สุขภาพ
ตระกูล	Regression model	Process / pipeline
ปีกำเนิด	2001 (fuzzy RDD); 2018 (double ML augmentation)	1990s (modern applications)
ผู้ริเริ่ม	Hahn, Todd & Van der Klaauw (fuzzy RDD); Chernozhukov et al. (ML augmentation framework)	Angrist & Pischke (applied econometrics); rooted in econometric theory
ประเภท	Quasi-experimental causal inference	Method
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: Princeton University Press.
ชื่อเรียกอื่น	ML-augmented fuzzy RDD, ML fuzzy RD, double ML fuzzy RDD, nonparametric fuzzy RDD	IV, two-stage least squares, TSLS, causal estimation
ที่เกี่ยวข้อง	5	3
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.	Instrumental variables (IV) is an econometric method to estimate causal effects when treatment or exposure is not randomly assigned and confounding is severe or unmeasured. IV relies on a third variable (instrument) that influences treatment but does not directly affect the outcome, allowing researchers to isolate the causal effect from the noise of confounding. Developed extensively in econometrics (Angrist & Pischke, 1990s–2000s), IV methods are increasingly used in health economics and health services research to leverage natural experiments and policy changes.