เปรียบเทียบวิธี

	การประมาณค่าภาวะน่าจะเป็นสูงสุดแบบกำหนดเป้าหมาย (TMLE)	การเรียนรู้ของเครื่องแบบทวีคูณ
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006	2018
ผู้ริเริ่ม	Mark van der Laan & Daniel Rubin	Victor Chernozhukov et al.
ประเภท	Semiparametric estimator	Semiparametric causal estimation
แหล่งต้นตำรับ	van der Laan, M. J., & Rubin, D. (2006). Targeted maximum likelihood learning. The International Journal of Biostatistics, 2(1).	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.
ชื่อเรียกอื่น	Targeted Learning, TMLE, Targeted MLE, Hedeflenmiş Maksimum Olabilirlik Tahmini	Debiased Machine Learning, Neyman Orthogonal Score Estimation, Partialing-Out Lasso, Çift Makine Öğrenmesi
ที่เกี่ยวข้อง	3	3
สรุป	Targeted Maximum Likelihood Estimation (TMLE) is a semiparametric, doubly robust causal inference method introduced by Mark van der Laan and Daniel Rubin in 2006. It combines flexible machine learning models for both the outcome and the treatment assignment mechanism, then applies a targeting step that re-fits the initial outcome model specifically to reduce bias for a pre-specified causal estimand such as the average treatment effect. TMLE is widely used in epidemiology, biostatistics, and health economics when estimating causal effects from observational data.	Double/Debiased Machine Learning (DML), introduced by Chernozhukov et al. (2018), is a semiparametric framework for estimating causal or structural parameters in the presence of high-dimensional controls. It uses flexible machine learning methods to model nuisance functions—the conditional expectations of the outcome and the treatment given covariates—and then constructs a debiased estimator of the target parameter that achieves root-n consistency and valid inference despite the regularization bias inherent in high-dimensional settings.