贝叶斯模糊回归断点设计 (Bayesian Fuzzy Regression Discontinuity, Bayesian Fuzzy RD) 将模糊回归断点设计的准实验逻辑与全贝叶斯推断相结合。它在治疗分配是概率性而非确定性的政策阈值处估计局部平均处理效应，为所有未知量设定先验分布，并恢复因果效应的完整后验分布，而非单一的点估计。

在严格回归断点设计 (sharp RD) 中，跨越阈值可保证获得治疗。在模糊设计 (fuzzy design) 中，跨越阈值仅提高获得治疗的概率——一些低于截止值的单位实际上也获得了治疗，而一些高于截止值的单位则选择不接受。这种不完全依从性类似于工具变量问题，阈值本身充当了工具变量。贝叶斯扩展为结果曲面、依从概率和处理效应设定先验，然后用截止值附近的数据更新这些信念。其结果是一个后验分布，能够诚实地反映估计的不确定性，而无需依赖大样本渐近理论，这在截止值附近观测值稀少时尤其有价值。