两名同事总是一起出现，真正做事的只有一人，考核表却可能给两人都记功。模型解释也会遇到类似问题：Shapley 重要性——把不同特征组合带来的预测贡献分摊给各变量——可能给未被模型直接使用、但与有效变量相关的特征正分。这会让“能提供线索”看起来像“真正发挥作用”。
Cho 与 Joseph 提出的 PRIME（Proportional Inclusive Marginal Effects）先用一种不依赖特定模型的筛选方法找出有效变量，再只在这些变量之间分配重要性，其余变量记为零。最值得注意的一步是，作者用局部线性回归估计风险：它先扣除条件均值中的局部线性变化，试图在样本较少、输出含噪声时减少筛选误差。这样既把原本面向确定性模型的 PME 扩展到带噪数据，也缩小了后续需要计算的变量组合范围。作者称，测试函数和真实数据实验显示 PRIME 能较准确、稳定地量化变量重要性；这些效果目前来自论文自述。