เปรียบเทียบวิธี

	การวิเคราะห์ความไวต่อผลกระทบของการรักษาที่แตกต่างกันสำหรับความเป็นเหตุเป็นผล	การประมาณค่าแบบทนทานสองเท่า (AIPW)
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2000s–2010s	2005
ผู้ริเริ่ม	Rosenbaum (sensitivity analysis framework); extended to heterogeneous effects by Crump, Imbens, and others	Robins & Rotnitzky; Bang & Robins
ประเภท	Robustness / sensitivity check	Semiparametric causal estimator
แหล่งต้นตำรับ	Rosenbaum, P. R. (2002). Observational Studies (2nd ed.). Springer. ISBN: 978-0387989679	Robins, J. M. & Rotnitzky, A. (1995). Semiparametric Efficiency in Multivariate Regression Models with Missing Data. Journal of the American Statistical Association, 90(429), 122-129.
ชื่อเรียกอื่น	HTE sensitivity analysis, heterogeneous-effects sensitivity analysis, sensitivity analysis with effect heterogeneity, HTE robustness analysis	AIPW, augmented inverse probability weighting, doubly robust estimator, Çift Gürbüz Kestirici (Augmented IPW / AIPW)
ที่เกี่ยวข้อง	5	5
สรุป	Heterogeneous Treatment Effect Sensitivity Analysis examines how robust subgroup-specific causal estimates are to unobserved confounding. Rather than testing a single average treatment effect, it asks whether the estimated variation in treatment effects across units or subgroups could be explained away by hidden bias, and at what level of hidden bias the causal conclusions for each subgroup would break down.	Doubly Robust Estimation, also called Augmented Inverse Probability Weighting (AIPW), is a semiparametric method for estimating causal treatment effects that combines an outcome regression model with a propensity (treatment) model. Developed in the work of Robins & Rotnitzky (1995) and Bang & Robins (2005), it stays consistent as long as at least one of the two models is correctly specified.