เปรียบเทียบวิธี

	การระบุสาเหตุด้วยกราฟอะไซคลิกแบบมีทิศทาง (do-calculus)	การวิเคราะห์ความไวต่ออคติแฝง (Rosenbaum Bounds / E-value)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2009	2002
ผู้ริเริ่ม	Judea Pearl	Paul R. Rosenbaum (bounds); Tyler J. VanderWeele & Peng Ding (E-value)
ประเภท	Causal identification framework	Sensitivity analysis for causal inference
แหล่งต้นตำรับ	Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0521895606	Rosenbaum, P. R. (2002). Observational Studies (2nd ed.). Springer. ISBN: 978-0387989679
ชื่อเรียกอื่น	do-calculus, backdoor adjustment, Pearl causal identification, DAG ile Nedensel Tanımlama (do-calculus)	Rosenbaum bounds, E-value, hidden bias sensitivity analysis, unmeasured confounding sensitivity
ที่เกี่ยวข้อง	5	5
สรุป	DAG causal identification is a framework, developed by Judea Pearl (2009), that encodes causal assumptions as a directed acyclic graph and uses the do-calculus rules to determine whether and how a causal effect can be identified from observational data. It systematically handles confounders, instrumental variables, and backdoor paths.	Sensitivity analysis for hidden bias is a family of methods that quantify how strongly an unmeasured confounder would have to operate before it could overturn a causal conclusion drawn from observational data. It was crystallised by Paul Rosenbaum's sensitivity bounds (2002) and extended by VanderWeele and Ding's E-value (2017).