เปรียบเทียบวิธี

	ตัวประมาณค่าการจับคู่เสริมด้วยการเรียนรู้ของเครื่อง	การจับคู่คะแนนแนวโน้ม
สาขาวิชา	การอนุมานเชิงสาเหตุ	สถิติการวิจัย
ตระกูล	Regression model	Process / pipeline
ปีกำเนิด	2006–2018	1983
ผู้ริเริ่ม	Abadie & Imbens (classical matching); Chernozhukov et al. (ML augmentation framework)	Paul Rosenbaum and Donald Rubin
ประเภท	Causal inference / nonparametric matching	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.	Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55.
ชื่อเรียกอื่น	ML-augmented matching, ML matching estimator, high-dimensional matching estimator, data-adaptive matching estimator	PSM, propensity score weighting, covariate balance
ที่เกี่ยวข้อง	5	3
สรุป	The machine learning-augmented matching estimator combines classical nearest-neighbor or propensity-score matching with ML algorithms — such as lasso, random forests, or gradient boosting — to select covariates, estimate propensity scores, and correct for residual bias. The result is a matching-based causal estimator that remains valid under high-dimensional confounding where traditional hand-specified matching fails.	Propensity score matching (PSM) is a method for reducing confounding bias in observational studies by balancing baseline characteristics between treatment groups, simulating randomization. Developed by Rosenbaum and Rubin (1983), it estimates the probability of receiving treatment given observed covariates, then matches or weights treated and control individuals with similar treatment probabilities. Widely used in medicine, epidemiology, and policy evaluation when randomized trials are infeasible or unethical, enabling estimation of treatment effects while controlling for selection bias.