天热时用电会上升，但这不等于升温本身造成了全部增量。云量、降水和积雪既与气温相连，也会影响用电；过去的气温还会改变后续天气。若把这些因素一股脑塞进普通回归，反而可能切断气温影响用电的真实路径。对电网规划来说，预测“明天用多少电”还不够，还要回答“如果气温改变，用电会怎样变”。
Jayanetti 与 Kalia 用边际结构模型（MSM——通过重新加权来估计总体因果作用）分析了 2018 至 2019 年安大略省的一条日度时间序列。其逆概率加权（IPW）会给在既有天气条件下较少见的气温经历更高权重，尽量构造一个气温不再被既往混杂因素选择的“伪总体”。研究还把原本面向二元处理的 LOAL 与 adaptive fused LASSO 扩展到连续气温，并用加权协方差检查平衡。
最值得注意的是边界：作者发现，累积三日估计虽大致无偏，却因有效样本量骤降而效率较差；空气密度又与气温近乎完全共线，使某些温度—天气组合在数据中几乎不存在。这属于结构性的正值性限制——再聪明的变量筛选，也无法从没有出现过的情形中可靠估因果。