假设平台给一部分用户推送新功能：一个人没收到，却可能因为朋友在用而受到影响。这时，实验效果不只取决于功能本身，也取决于“给谁、以多大概率投放”。因此，在一种投放规则下得到的结论，不能直接搬到另一种规则上。
Loomba 和 Eckles 研究了这种离策略估计——用已经执行的实验，推测另一种假想投放策略会怎样。他们关注异质 Bernoulli 策略，也就是每个人独立抽签，但中签概率可以不同。方法的关键，是用 Fourier 表示把复杂的邻里影响拆成若干影响项，再只保留研究者认为真实存在的部分。对任意预先指定的影响结构，论文给出了唯一的最小权重方案：它能校正策略变化，同时在所有满足校正条件的方案中让权重波动最小。
代价也很明确。若不限制谁会影响谁，完整逆概率权重虽然无偏，方差通常会随相关人数呈指数增长；若简化影响结构，又可能漏掉真实互动并产生偏差。论文把这种偏差写成“被遗漏的结果成分”与“策略变化幅度”的共同作用，清楚呈现偏差与方差的取舍。对实验团队而言，重点不是找到一个脱离投放规则的万能效果，而是先说清准备评估哪一种整体分配情景。