只看日常数据来判断一种药是否有效，常会碰到一个尴尬：某些没被记录的因素可能同时影响用药和健康，因果效应因此无法锁定为一个数字。Jason Saporta 的这项工作主张，此时不必假装精确，而应报告可信边界——既给出答案可能落入的范围，也用贝叶斯概率表达对边界位置的不确定性。
关键一步是只把干预变量附近、满足条件的“混杂组件”规范化：把其中有限种数据生成机制表示成类别分布，而不要求整套结构因果模型都能这样处理。剩余部分可以不依赖完整的混杂结构继续建模。作者称，这套后验采样方法因此能覆盖连续乃至多变量结局，例如同时考察多项健康指标；多个可规范化组件的后验还可并行近似。它的价值不在于给出更漂亮的单点答案，而在于明确区分“数据支持的范围”和“模型仍不确定的部分”。