设计临床试验有点像开店前估客流：要先判断招多少人，才有较大机会发现治疗确实有效。这个概率叫“功效”。偏币最小化会看当前各组在病情、研究中心等方面是否失衡，再提高下一位受试者进入较均衡组的概率，同时保留随机性。问题是，若每次功效模拟都按原规则反复重新分组，计算就会套上双重循环，候选样本量和分析方案一多，成本很快膨胀。
Masahiro Kojima 提出的 SIGA 框架，把检验统计量精确拆成“各细分人群的分组失衡”和“细分人群内部的剩余波动”，再用只依赖分组过程的模拟，提前校准其协方差——也就是这些失衡如何一起变化。SIGA-S 用于估计反复开展试验时的功效；若最终方案预先规定了随机化检验，SIGA-R 则用成对生成的两条独立分组路径，近似它的条件参考分布。关键收益是：这套校准可在不同治疗效果、零假设边界和结局模型间复用，从而替代每轮模拟里的完整重随机化。作者称综合基准与一项参照真实试验规划特征的模拟中，两种方法都与对应参考检验的功效接近，并显著减少计算；供稿未给出具体加速倍数。