给学校评估一项干预时，一个学生是否参加，可能影响同学的结果。此时不能再把每个人当成互不相干的样本。论文研究“部分干扰”——影响只发生在同一学校、社区等群组内——并处理一个棘手问题：该把哪些变量放进倾向评分模型。
倾向评分是一个人在既有特征下接受处理的概率；逆概率加权则让低概率却实际接受处理的人获得更大权重，使处理组和对照组更可比。问题在于，部分干扰下要估计整组的处理概率，而它由个人概率相乘得到，更容易接近零，制造极端权重。变量一多，估计还会更不稳定。
作者提出 mixed-effects Outcome-Adaptive Lasso：混合效应模型用随机效应表示学校、社区之间未观测到的差异；Outcome-Adaptive Lasso 则借助结局模型的回归系数调整惩罚力度，更愿意保留混杂因素和能预测结局的变量，同时剔除只预测处理或纯属噪声的变量。作者称，Monte Carlo 模拟中该方法确实呈现这种选择倾向，并改善了逆概率加权在有限样本下的效率；论文还用刚果民主共和国 DHS 疟疾数据作了评估。