一项药物试验主要招了较年轻、监测更严格的患者，实际用药的人却更复杂。此时，试验里的平均疗效不能直接照搬：随机化能保证参试者之间的比较可信，却不保证结论适用于另一群人。更棘手的是，目标人群往往只有观察数据，其中未记录的病情严重度可能同时影响用药和预后，造成“隐藏混杂”。
这项研究把随机试验当作可信的锚，再允许观察人群的治疗反应相对试验发生未知漂移。它不假定两边在相同特征下的疗效完全一致，而是用敏感性参数圈出隐藏混杂可能造成的偏差范围，并采用 minimax（按最不利情形优化）来估计漂移和目标人群的平均治疗效果。在线性设定之外，框架也扩展到一般参数模型和平滑的非参数模型。
作者还把 ACTG 175 HIV 随机试验迁移到 WIHS 队列。两套数据呈现的条件治疗效果并不相容；相比强行假设可完全迁移，这套方法给出更谨慎、也更容易解释的估计。材料未提供具体效应数值，因此这里不比较幅度。