给一座城市设污染上限，不能只问“能少多少”，还要先问：历史数据里是否出现过足够相似的整张污染地图？Watson 与 Fraser-Govil 研究的正是这一步。所谓政策正值性，是指目标政策造成的暴露状态，在现有数据中至少有出现的可能；若没有，再复杂的估计器也不能凭空补出可靠对照。
论文考察经预设变换后呈 Gaussian（高斯）分布的空间暴露场——把污染、温度或交通强度视为覆盖全域的一张连续地图。作者证明，可用加权法识别的平移干预必须落在观测暴露场的 Cameron–Martin 空间内，也就是只能沿数据本身允许的变化方向移动。绑定上限等常见规则可能越出这个范围；此时，不同结果模型即使对历史数据给出几乎相同的预测，对政策效果的判断仍可明显分离。
更值得警惕的是，粗网格上“算得出权重”并不能证明问题可识别：如果连续空间中的政策违反正值性，那么随着网格不断细化、逐步还原完整暴露场，权重的二阶矩必然发散，估计会越来越不稳定。作者因此主张，评估整片空间干预时，应先检查目标效应能否识别，并观察结论是否经得住空间分辨率细化。