เปรียบเทียบวิธี

	Robust Matching Estimator (การประมาณค่าด้วยการจับคู่ที่ทนทานต่อความคลาดเคลื่อน)	การจับคู่คะแนนแนวโน้ม
สาขาวิชา	การอนุมานเชิงสาเหตุ	สถิติการวิจัย
ตระกูล	Regression model	Process / pipeline
ปีกำเนิด	2006/2011	1983
ผู้ริเริ่ม	Abadie & Imbens	Paul Rosenbaum and Donald Rubin
ประเภท	Causal inference / matching	Method
แหล่งต้นตำรับ	Abadie, A., & Imbens, G. W. (2011). Bias-Corrected Matching Estimators for Average Treatment Effects. Journal of Business & Economic Statistics, 29(1), 1-11.	Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55.
ชื่อเรียกอื่น	bias-corrected matching, Abadie-Imbens matching, AI matching estimator, robust nearest-neighbor matching	PSM, propensity score weighting, covariate balance
ที่เกี่ยวข้อง	6	3
สรุป	The robust matching estimator, developed by Abadie and Imbens (2006, 2011), extends nearest-neighbor matching by adding a regression-based bias correction that removes the finite-sample bias arising when matched units are not perfectly alike. It yields consistent, asymptotically normal estimates of average treatment effects with a heteroskedasticity-robust variance formula that is valid regardless of the number of continuous covariates.	Propensity score matching (PSM) is a method for reducing confounding bias in observational studies by balancing baseline characteristics between treatment groups, simulating randomization. Developed by Rosenbaum and Rubin (1983), it estimates the probability of receiving treatment given observed covariates, then matches or weights treated and control individuals with similar treatment probabilities. Widely used in medicine, epidemiology, and policy evaluation when randomized trials are infeasible or unethical, enabling estimation of treatment effects while controlling for selection bias.