เปรียบเทียบวิธี

	ตัวประมาณการจับคู่แบบเบย์ (Bayesian Matching Estimator)	การประมาณค่าแบบทนทานสองเท่า (AIPW)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	1978–1998	2005
ผู้ริเริ่ม	Donald B. Rubin (Bayesian causal framework); extended by Heckman, Ichimura & Todd (matching estimator formalization)	Robins & Rotnitzky; Bang & Robins
ประเภท	Bayesian causal inference / nonparametric matching	Semiparametric causal estimator
แหล่งต้นตำรับ	Rubin, D. B. (1978). Bayesian inference for causal effects: The role of randomization. The Annals of Statistics, 6(1), 34-58.	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	Bayesian matching, Bayesian nonparametric matching, Bayes-ATE matching, posterior matching estimator	AIPW, augmented inverse probability weighting, doubly robust estimator, Çift Gürbüz Kestirici (Augmented IPW / AIPW)
ที่เกี่ยวข้อง	6	5
สรุป	The Bayesian Matching Estimator estimates average treatment effects in observational studies by combining classical nearest-neighbour or kernel matching with a Bayesian posterior over the treatment effect. It inherits matching's covariate-balancing logic while propagating uncertainty through a full posterior distribution rather than relying on asymptotic standard errors, yielding credible intervals that reflect both sampling variability and prior knowledge.	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.