同一批数据算出好几份统计证据，就像几位看过同一份材料的评审：意见可以合并，却不能假装彼此独立。Schrab 等人的工作处理的正是这个难题。它不先猜证据之间如何相关，而是利用可交换性——在原假设下，合法调换数据或结果的次序，不会改变整体分布。
最关键的一步是：研究者先对每份重排后的数据汇总多个统计量，再把这些汇总结果放到所有重排中校准。置换检验由此既给出参照尺度，也保留原有的复杂依赖。论文作者称，在只使用同一批重排结果完成标准化和校准的设置中，临界值能一致优于包括 Bonferroni correction 在内、面向任意依赖的确定性校准，并会适应未知依赖结构。
这条路径的价值在于少做结构假设，同时提供有限样本有效性——错误率保证对当前样本量就成立，而不必等样本无限增大。论文还扩展到可提前拒绝原假设的顺序聚合，以及容纳学习型聚合规则的双批次方案；具体收益目前仍以作者的理论与应用展示为依据。