เปรียบเทียบวิธี

	การประมาณค่าภาวะน่าจะเป็นสูงสุดแบบกำหนดเป้าหมาย (TMLE)	การประมาณค่าแบบทนทานสองเท่า (AIPW)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Machine learning	Regression model
ปีกำเนิด	2006	2005
ผู้ริเริ่ม	Mark van der Laan & Daniel Rubin	Robins & Rotnitzky; Bang & Robins
ประเภท	Semiparametric estimator	Semiparametric causal estimator
แหล่งต้นตำรับ	van der Laan, M. J., & Rubin, D. (2006). Targeted maximum likelihood learning. The International Journal of Biostatistics, 2(1).	Robins, J. M. & Rotnitzky, A. (1995). Semiparametric Efficiency in Multivariate Regression Models with Missing Data. Journal of the American Statistical Association, 90(429), 122-129.
ชื่อเรียกอื่น	Targeted Learning, TMLE, Targeted MLE, Hedeflenmiş Maksimum Olabilirlik Tahmini	AIPW, augmented inverse probability weighting, doubly robust estimator, Çift Gürbüz Kestirici (Augmented IPW / AIPW)
ที่เกี่ยวข้อง	3	5
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.	Doubly Robust Estimation, also called Augmented Inverse Probability Weighting (AIPW), is a semiparametric method for estimating causal treatment effects that combines an outcome regression model with a propensity (treatment) model. Developed in the work of Robins & Rotnitzky (1995) and Bang & Robins (2005), it stays consistent as long as at least one of the two models is correctly specified.