เปรียบเทียบวิธี

	การวิเคราะห์กระบวนการแบบมีเงื่อนไข (การส่งผ่านแบบมีเงื่อนไข)	การวิเคราะห์การถ่ายทอดเหตุผลเชิงสาเหตุ (ผลกระทบโดยตรงและโดยอ้อมตามธรรมชาติ)	การถดถอยกำลังสองน้อยที่สุดสามัญ (OLS)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ	เศรษฐมิติ
ตระกูล	Regression model	Regression model	Regression model
ปีกำเนิด	2018	2010	2019
ผู้ริเริ่ม	Andrew F. Hayes (PROCESS framework); Preacher, Rucker & Hayes (moderated mediation)	Pearl (2001); general framework by Imai, Keele & Tingley (2010)	Wooldridge (textbook treatment); classical least squares
ประเภท	Regression-based conditional process model	Counterfactual causal decomposition	Linear regression
แหล่งต้นตำรับ	Hayes, A. F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (2nd ed.). The Guilford Press. ISBN: 978-1462534654	Pearl, J. (2001). Direct and Indirect Effects. In Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence (UAI), 411-420.	Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed.). Cengage Learning. ISBN: 978-1337558860
ชื่อเรียกอื่น	moderated mediation, moderated mediation analysis, PROCESS model, Hayes PROCESS conditional process model	natural direct effect, natural indirect effect, NDE / NIE decomposition, counterfactual mediation	ordinary least squares, classical linear regression, linear regression, en küçük kareler regresyonu
ที่เกี่ยวข้อง	5	5	5
สรุป	Conditional process analysis is Andrew F. Hayes's regression-based PROCESS framework (2018) that combines mediation and moderation in a single model, testing how an indirect effect changes across levels of a moderator. It quantifies conditional indirect and conditional direct effects and tests them with bootstrap confidence intervals.	Causal mediation analysis is a counterfactual framework that splits a treatment's total effect into a Natural Direct Effect (NDE) and a Natural Indirect Effect (NIE) that runs through a mediator. The modern general approach was formalised by Pearl (2001) and Imai, Keele and Tingley (2010), giving the decomposition a precise causal interpretation.	Ordinary Least Squares is the classical linear regression method that explains a continuous outcome as a linear combination of predictors. It estimates the coefficients by minimising the sum of squared residuals, and under the Gauss-Markov assumptions these estimates are the best linear unbiased estimator (BLUE).