เปรียบเทียบวิธี

	ระเบียบวิธีควบคุมสังเคราะห์เสริมด้วยแมชชีนเลิร์นนิง	ระเบียบวิธีสังเคราะห์การควบคุม (Synthetic Control Method - SCM)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2021	2003–2010
ผู้ริเริ่ม	Ben-Michael, Feller & Rothstein	Alberto Abadie & Javier Gardeazabal (2003); Abadie, Diamond & Hainmueller (2010)
ประเภท	Causal inference / quasi-experimental	Quasi-experimental causal inference
แหล่งต้นตำรับ	Ben-Michael, E., Feller, A., & Rothstein, J. (2021). The augmented synthetic control method. Journal of the American Statistical Association, 116(536), 1789-1803.	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-augmented SCM, augmented synthetic control, ASC, penalized synthetic control	SCM, synthetic control, synth estimator, Abadie-Diamond-Hainmueller method
ที่เกี่ยวข้อง	5	4
สรุป	The machine learning-augmented synthetic control method extends the classical synthetic control estimator by using penalized regression or other ML algorithms — such as lasso, ridge, or random forests — to construct the donor weights and to model pre-treatment outcome trajectories. The augmentation corrects for residual imbalance left by the standard weighting step, yielding lower bias when no perfect synthetic control exists.	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.