เปรียบเทียบวิธี

	การถ่วงน้ำหนักความน่าจะเป็นผกผันเสริมด้วยการเรียนรู้ของเครื่อง (ML-IPW)	การประมาณค่าแบบทนทานสองเท่า (AIPW)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2003-2018	2005
ผู้ริเริ่ม	Hirano, Imbens & Ridder (semiparametric foundation, 2003); Chernozhukov et al. (DML framework, 2018)	Robins & Rotnitzky; Bang & Robins
ประเภท	Semiparametric causal estimator	Semiparametric causal estimator
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.	Robins, J. M. & Rotnitzky, A. (1995). Semiparametric Efficiency in Multivariate Regression Models with Missing Data. Journal of the American Statistical Association, 90(429), 122-129.
ชื่อเรียกอื่น	ML-IPW, nonparametric IPW, data-adaptive IPW, ML-augmented propensity weighting	AIPW, augmented inverse probability weighting, doubly robust estimator, Çift Gürbüz Kestirici (Augmented IPW / AIPW)
ที่เกี่ยวข้อง	5	5
สรุป	Machine learning-augmented inverse probability weighting replaces parametric logistic regression with flexible ML algorithms to estimate treatment propensity scores, then reweights the sample to balance treated and control units. By leveraging data-adaptive learners such as lasso, random forests, or gradient boosting, ML-IPW controls for high-dimensional and nonlinear confounders that classical IPW misses, while retaining the intuitive weighting framework.	Doubly Robust Estimation, also called Augmented Inverse Probability Weighting (AIPW), is a semiparametric method for estimating causal treatment effects that combines an outcome regression model with a propensity (treatment) model. Developed in the work of Robins & Rotnitzky (1995) and Bang & Robins (2005), it stays consistent as long as at least one of the two models is correctly specified.