เปรียบเทียบวิธี

	การถ่วงน้ำหนักความน่าจะเป็นผกผันเสริมด้วยการเรียนรู้ของเครื่อง (ML-IPW)	Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผัน
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2003-2018	2000
ผู้ริเริ่ม	Hirano, Imbens & Ridder (semiparametric foundation, 2003); Chernozhukov et al. (DML framework, 2018)	Robins, Hernán & Brumback
ประเภท	Semiparametric causal estimator	Causal inference weighting 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., Hernán, M. A., & Brumback, B. (2000). Marginal Structural Models and Causal Inference in Epidemiology. Epidemiology, 11(5), 550-560.
ชื่อเรียกอื่น	ML-IPW, nonparametric IPW, data-adaptive IPW, ML-augmented propensity weighting	IPW, IPTW, inverse probability of treatment weighting, marginal structural model weighting
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.	Inverse Probability Weighting is a causal-inference method that assigns each observation a weight equal to the inverse of its probability of receiving the treatment it actually received. Introduced by Robins, Hernán and Brumback (2000) for marginal structural models, it builds a pseudo-population in which treatment is independent of measured confounders, balancing selection bias.