想象同时筛查成千上万个基因，每个基因却只测了几次。单独判断时，方差估计很容易失准；把所有基因混在一起学，又可能让“发现”变得不可靠。Ignatiadis 和 Roquain 提出一套 prepivoting 方法，试图同时解决这两个问题。
它先用经验贝叶斯——从整批数据估计共同规律——把各单位不稳定的方差向总体水平适度收缩，得到更稳的 moderated t-statistic；再用符号翻转或正交旋转产生的参照统计量做校准，把结果转换成更可信的复合 p 值，最后交给 Benjamini–Hochberg（BH，一种批量控制误报比例的方法）。论文证明：当单位彼此独立、零假设满足相应变换不变性时，该方法无需假定 limma 的层级模型，也能在有限样本下控制错误发现率（FDR，即所有报出的发现中，错误发现所占比例的期望）。
更具体地说，作者证明，在其设定的稀疏渐近情形下，新方法可达到知道真实参数的理想程序之检验能力，而普通 t 检验配合 BH 的检验能力趋近于零。这个优势目前依赖论文给定的模型与条件，不能直接外推到单位之间存在依赖的实验。