เปรียบเทียบวิธี

	ระเบียบวิธีสังเคราะห์เชิงควบคุมที่แข็งแกร่ง	การวิเคราะห์ความไวต่อเหตุปัจจัยเชิงสาเหตุ
สาขาวิชา	การอนุมานเชิงสาเหตุ	การอนุมานเชิงสาเหตุ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2021	1983–2002
ผู้ริเริ่ม	Cattaneo, Feng & Titiunik (2021); building on Abadie, Diamond & Hainmueller (2010)	Paul R. Rosenbaum (hidden-bias framework); extended by Cinelli & Hazlett (omitted-variable approach)
ประเภท	Quasi-experimental causal inference	Diagnostic / robustness check
แหล่งต้นตำรับ	Cattaneo, M. D., Feng, Y., & Titiunik, R. (2021). Prediction Intervals for Synthetic Control Methods. Journal of the American Statistical Association, 116(536), 1865-1880.	Rosenbaum, P. R. (2002). Observational Studies (2nd ed.). Springer. ISBN: 978-0387989679
ชื่อเรียกอื่น	Robust SCM, Inference-robust synthetic control, Synthetic control with valid inference, SCM with prediction intervals	sensitivity analysis, hidden-bias sensitivity analysis, Rosenbaum sensitivity analysis, omitted-variable sensitivity
ที่เกี่ยวข้อง	5	4
สรุป	The robust synthetic control method extends the classic synthetic control estimator by providing statistically valid uncertainty quantification and inference. Developed by Cattaneo, Feng and Titiunik (2021), it addresses a core limitation of the original approach — the lack of formal prediction intervals — making causal conclusions more defensible when only a single treated unit is observed.	Sensitivity analysis for causality assesses how robust a causal conclusion is to unobserved confounding. Rather than assuming all confounders are controlled, it asks: how strong would an unmeasured variable need to be to overturn the estimated effect? It is an indispensable robustness check after any quasi-experimental or observational causal analysis.