เปรียบเทียบวิธี

	ตัวแปรเครื่องมือเสริมการเรียนรู้ของเครื่อง (ML-IV)	Lasso Regression
สาขาวิชา	การอนุมานเชิงสาเหตุ	การเรียนรู้ของเครื่อง
ตระกูล	Regression model	Machine learning
ปีกำเนิด	2012-2018	1996
ผู้ริเริ่ม	Belloni, Chernozhukov & Hansen; Chernozhukov et al.	Tibshirani, R.
ประเภท	Causal inference / semi-parametric estimation	Regularized linear regression (L1 penalty)
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.	Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.
ชื่อเรียกอื่น	ML-IV, MLIV, Double/Debiased ML with IV, DML-IV	LASSO Regresyonu, lasso, L1-regularized regression, L1 regularization
ที่เกี่ยวข้อง	4	4
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.	Lasso regression, introduced by Robert Tibshirani in 1996, is a linear regression method that adds an L1 penalty to the loss so that it shrinks coefficients and performs variable selection at the same time, producing a sparse model. By driving some coefficients exactly to zero it keeps only the predictors that matter.