做随机试验像在嘈杂环境里称重：受试者有限，主要结果容易被个体差异干扰。常见办法是调整基线协变量——干预前已测得、能预测结果的特征。Wolf 等人进一步提出，试验已经收集的次要终点也别闲置；如果它们与主要终点共享某些变化，可以帮助滤掉噪声，又不改变真正要回答的问题。
研究团队用一因子结构方程模型（SEM）把多个终点的共同波动归到一个未直接观测的因素，再结合基线信息估计主要终点的平均治疗效应。为降低模型设错带来的风险，他们又通过交叉验证做模型平均，在这套方法与假设更少的常规估计之间自适应折中。作者报告，在一项比较极低与正常尼古丁含量香烟的随机试验中，模型平均估计比未调整分析精确 21%，比只调整基线协变量精确 13%。但这份收益依赖更强的模型假设；模拟中，严重设错时即使模型平均也未能完全修复置信区间覆盖不足。