เปรียบเทียบวิธี

	การปรับแบบประตูหน้า (เกณฑ์ประตูหน้า)	ขั้นตอนวิธีค้นหาความเป็นเหตุเป็นผล (PC, FCI, LiNGAM)	การออกแบบการถดถอยแบบไม่ต่อเนื่อง (Regression Discontinuity Design - RDD)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model	Regression model
ปีกำเนิด	1995	2000	2008
ผู้ริเริ่ม	Judea Pearl	Spirtes, Glymour & Scheines (PC/FCI); Shimizu et al. (LiNGAM)	Imbens & Lemieux (guide to practice); Cattaneo, Idrobo & Titiunik (practical introduction)
ประเภท	Causal identification (graphical adjustment)	Causal structure learning	Quasi-experimental causal design
แหล่งต้นตำรับ	Pearl, J. (1995). Causal Diagrams for Empirical Research. Biometrika, 82(4), 669-688.	Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2nd ed.). MIT Press. ISBN: 978-0262194402	Imbens, G. W., & Lemieux, T. (2008). Regression Discontinuity Designs: A Guide to Practice. Journal of Econometrics, 142(2), 615-635.
ชื่อเรียกอื่น	frontdoor criterion, Pearl's frontdoor adjustment, frontdoor formula, Ön Kapı Düzenlemesi (Frontdoor Adjustment)	PC algorithm, FCI algorithm, LiNGAM, causal structure learning	RDD, regression discontinuity design, sharp RDD, fuzzy RDD
ที่เกี่ยวข้อง	4	5	5
สรุป	Frontdoor adjustment is Judea Pearl's graphical identification strategy, introduced in 1995, that recovers the causal effect of a treatment on an outcome through a fully mediating variable even when an unobserved confounder sits between the treatment and the outcome. It is the go-to tool when the backdoor criterion cannot be satisfied because the confounder is unmeasured.	Causal discovery is a family of algorithms that automatically learn a directed acyclic graph (DAG) describing causal structure directly from observational data. The constraint-based PC and FCI algorithms were developed by Spirtes, Glymour and Scheines (2000), while the LiNGAM model of Shimizu et al. (2006) exploits linear non-Gaussian structure to orient edges.	Regression Discontinuity Design is a quasi-experimental method that identifies a causal effect by locally comparing units just above and just below a cutoff on a continuous assignment (running) variable. Formalised for applied work by Imbens and Lemieux (2008) and developed as a practical framework by Cattaneo, Idrobo, and Titiunik (2020), it estimates a local average treatment effect (LATE) at the threshold.