分析利率、通胀和产出时，几种变化常在同一刻发生。VAR（向量自回归——用多条时间序列的过去值解释其后续变化）能描述它们如何共同波动，却不会自动分清哪部分来自哪种冲击。传统做法像按顺序拆一笔合账：先处理谁，谁就可能吸收更多共同变化，结论也会随排序改变。
Bastien Buchwalter、Francis X. Diebold 和 Kamil Yilmaz 提出的 simultaneous clustered orthogonalization（SCO，同时聚类正交化），把变量先放进有经济含义的组，再一次性施加整组约束：组内冲击可以继续相关，组与组之间则正交——即不再同时共变。这样既不用把所有冲击都强行分开，也消除了不同组先后排序带来的差异。
最具体的一步是，作者把识别问题转到相关系数空间，化为一个二次矩阵方程，并给出闭式解；论文还证明，对应的识别矩阵是相关性最大化问题的唯一全局最优解。该方法对排序和变量尺度均不敏感，并覆盖“完全不正交”与“全部同时正交”两个极端。代价也很明确：结果仍取决于研究者如何划分这些组。