Eine Sensitivitätsanalyse beschreibt eine Methode zur Evaluation von teilweise komplexen mathematischen Modellen, welche mit Hilfe empirischer Studien geprüft werden können. Eine häufig verwendete Methode stellt die Metaanalyse dar, welche mehrere Studien in eine Gesamtanalyse integriert und auf diese Weise eine deutlich stärkere Aussagekraft aufweist, als dies bei einzelnen Studien der Fall ist. Das Ergebnis besteht in einer ganzheitlichen Zusammenfassung des aktuellen Forschungsstandes bezüglich der untersuchten Fragestellung sowie konkrete Modelle und Kennwerte, die aus den aggregierten Studienergebnissen abgeleitet werden. Das Problem einer umfassenden Metaanalyse besteht in der Selektion der Studien, welche im Rahmen der geplanten Untersuchung betrachtet werden sollen. Es ist durchaus denkbar, dass eine alternative Wahl der Selektions- und Filterkriterien zu anderen Ergebnissen führen kann. Eine Sensitivitätsanalyse kann genau diese Einflüsse der Studien- und Variablenselektion aufdecken und prüfen, wie stark Änderungen bei der Auswahl der vorliegenden Studien auf das errechnete Gesamtmodell wirken. Um dies zu prüfen, wird eine systematische Variation der betrachteten Studien vorgenommen und das resultierende Endmodell mit den ursprünglichen Kennwerten abgeglichen. Eine hohe Sensitivität besagt in diesem Zusammenhang, dass das errechnete Modell keine robusten Werte liefert und bereits bei relativ geringfügigen Änderungen der zugrundeliegenden Auswahlkriterien signifikante Abweichungen in den zentralen Aussagen und Erkenntnissen aufweist. Ein solches Vorgehen wird auch als Robustheitsanalyse bezeichnet. Es stellt sicher, dass das metaanalytische Modell, welches auf einer Gesamtschau aller bestehenden Studien zu einer interessierenden Fragestellung aufbaut, verlässliche Aussagen beinhaltet.

Zusammenfassung: Eine Sensitivitätsanalyse sollte in Folge der Erstellung eines komplexen wissenschaftlichen Modells durchgeführt werden, um zu prüfen, ob die Aussagen des Modells als robust angesehen werden können. Sollten relativ geringe Änderungen der Input-Variablen des Modells bereits zu starken Änderungen der grundlegenden Aussagen führen, wird von einem äußerst sensitiven Modell gesprochen.