เปรียบเทียบวิธี

	แบบจำลองโครงสร้างตามขอบเขตที่เสริมด้วยการเรียนรู้ของเครื่อง (ML-MSM)	Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผัน
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2000 (MSM); 2011 (ML-augmented via targeted learning)	2000
ผู้ริเริ่ม	Robins, Hernan & Brumback (MSM, 2000); van der Laan & Rose (ML augmentation, TMLE framework, 2011)	Robins, Hernán & Brumback
ประเภท	Causal inference / semiparametric weighted regression	Causal inference weighting estimator
แหล่งต้นตำรับ	Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560.	Robins, J. M., Hernán, M. A., & Brumback, B. (2000). Marginal Structural Models and Causal Inference in Epidemiology. Epidemiology, 11(5), 550-560.
ชื่อเรียกอื่น	ML-MSM, ML-augmented MSM, data-adaptive MSM, TMLE-MSM	IPW, IPTW, inverse probability of treatment weighting, marginal structural model weighting
ที่เกี่ยวข้อง	5	5
สรุป	The machine learning-augmented marginal structural model combines the causal rigour of Robins et al.'s MSM framework with flexible, data-adaptive ML algorithms for estimating propensity scores and outcome models. By replacing parametric nuisance models with ensemble learners or neural networks, ML-MSMs recover valid causal estimates under confounding without relying on correctly specified parametric forms.	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.