总之，你的直觉是正确的。

Fisher 的方法基于随机化检验：使用治疗分配的随机化过程，您假设没有效果的尖锐零假设，然后计算精确的 p 值，即看到与观察到的效果一样大的效果的概率假设没有效果。

Neyman 的方法基于估计。您将估计平均处理效果和保守方差（Neyman-Variance，相当于 HC2 方差），并且通过 CLT，您可以使用正态近似进行推断。

有关两者的更多信息，您应该查看Imbens 和 Rubin 书的第 5 章和第 6 章。

需要注意的是，这些方法严格来说并不是“因果方法”，它们只是简单的估计和测试方法，通常在实验的背景下讨论，实验的有效性保证了因果意义。也就是说，它们本身没有任何因果关系，因为您的估计是否是因果关系取决于您的识别策略。要了解有关识别的更多信息，绝对值得研究因果图 --- 你可以在这里找到参考资料。

关于一个是否比另一个更好，没有上下文就没有答案，这取决于你的目标。例如，您是否关心尖锐的零假设？在很多情况下人们不这样做，因为确切的空值是不可信的，所以他们更关心估计——如果这是你的情况，那么随机化测试对你的问题不会很有用。