เปรียบเทียบวิธี

	การวิเคราะห์ผลกระทบเชิงสาเหตุที่แข็งแกร่ง	การวิเคราะห์ผลกระทบเชิงสาเหตุ
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2015	2015
ผู้ริเริ่ม	Brodersen, Gallusser, Koehler, Remy & Scott (foundational CausalImpact framework)	Kay H. Brodersen, Fabian Gallusser, Jim Koehler, Nicolas Remy, Steven L. Scott (Google)
ประเภท	Bayesian causal inference with robustness validation	Bayesian causal inference / counterfactual forecasting
แหล่งต้นตำรับ	Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9(1), 247-274.	Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N., & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9(1), 247-274.
ชื่อเรียกอื่น	robust CausalImpact, sensitivity-augmented causal impact, causal impact with robustness checks, robust BSTS causal inference	CausalImpact, BSTS causal inference, Bayesian causal impact, counterfactual time-series analysis
ที่เกี่ยวข้อง	5	5
สรุป	Robust Causal Impact Analysis extends the Bayesian structural time-series CausalImpact framework (Brodersen et al., 2015) by embedding systematic robustness checks — in-time placebo tests, in-space placebo controls, covariate sensitivity analysis, and prior sensitivity assessments — to verify that a detected intervention effect is genuine and not an artifact of model choices or coincidental data patterns.	Causal Impact Analysis, introduced by Brodersen et al. (2015) at Google, uses Bayesian structural time-series models to estimate what would have happened to an outcome had an intervention never occurred. By constructing a probabilistic counterfactual from pre-treatment data and control covariates, it quantifies point-in-time and cumulative treatment effects with full posterior uncertainty intervals.