เปรียบเทียบวิธี

	ตัวแปรเครื่องมือเสริมการเรียนรู้ของเครื่อง (ML-IV)	วิธีการตัวแปรเครื่องมือ (IV) สำหรับการอนุมานเชิงสาเหตุ
สาขาวิชา	การอนุมานเชิงสาเหตุ	เศรษฐศาสตร์สุขภาพ
ตระกูล	Regression model	Process / pipeline
ปีกำเนิด	2012-2018	1990s (modern applications)
ผู้ริเริ่ม	Belloni, Chernozhukov & Hansen; Chernozhukov et al.	Angrist & Pischke (applied econometrics); rooted in econometric theory
ประเภท	Causal inference / semi-parametric estimation	Method
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: Princeton University Press.
ชื่อเรียกอื่น	ML-IV, MLIV, Double/Debiased ML with IV, DML-IV	IV, two-stage least squares, TSLS, causal estimation
ที่เกี่ยวข้อง	4	3
สรุป	Machine learning-augmented instrumental variables combines the causal identification power of classical IV with modern high-dimensional machine learning — using methods such as LASSO, random forests, or neural networks to select valid instruments and model nuisance functions, thereby improving first-stage fit and enabling valid inference even when the number of potential instruments or controls is large relative to the sample size.	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.