เปรียบเทียบวิธี

	การทดสอบหลอกที่เสริมด้วยการเรียนรู้ของเครื่อง	ระเบียบวิธีสังเคราะห์การควบคุม (Synthetic Control Method - SCM)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2010s–2018	2003–2010
ผู้ริเริ่ม	Chernozhukov, Hansen, and collaborators; Athey and Imbens	Alberto Abadie & Javier Gardeazabal (2003); Abadie, Diamond & Hainmueller (2010)
ประเภท	Causal validation / falsification test	Quasi-experimental causal inference
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.	Abadie, A., Diamond, A., & Hainmueller, J. (2010). Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California's Tobacco Control Program. Journal of the American Statistical Association, 105(490), 493-505.
ชื่อเรียกอื่น	ML placebo test, data-driven placebo falsification, ML-augmented falsification test, ML permutation placebo	SCM, synthetic control, synth estimator, Abadie-Diamond-Hainmueller method
ที่เกี่ยวข้อง	3	4
สรุป	The machine learning-augmented placebo test is a causal-inference validation technique that uses flexible ML estimators — such as causal forests, LASSO, or double/debiased ML — to conduct falsification checks on an identification strategy. By replacing real treatment assignments with placebo (fake) assignments and verifying that the estimated effect collapses to zero, researchers confirm that their causal findings are not artefacts of model misspecification or confounding.	The Synthetic Control Method estimates the causal effect of a treatment or policy on a single treated unit by constructing a weighted combination of untreated units — the synthetic control — that closely resembles the treated unit before the intervention. The gap between the treated unit and its synthetic counterpart after the intervention is the estimated treatment effect.