只看数据，运动似乎能降低患病率；但真正起作用的也许是没被记录的“健康意识”，它同时影响运动和患病。这类隐藏混杂会把相关性伪装成因果。新论文尝试借助异方差——误差的波动大小会随条件改变——在这种干扰下做因果发现，也就是从观察数据推断变量之间可能的影响方向。
方法最关键的一步，是利用异方差造成的协方差关系，识别因果图里的叶节点——只接收影响、不再影响图中其他变量的末端变量。研究者随后递归移除叶节点，排出变量的因果次序；再依次构造替代工具变量，判断因果方向和效应。工具变量原本应只推动原因、不能绕路影响结果，也不能与隐藏混杂相关，但合法工具往往难找。该框架声称，即使候选工具变量全都无效，也能恢复完整的有向无环图（DAG，即没有循环因果路径的候选因果图）。
作者还给出数据自适应估计流程，并称理论上可一致恢复真实图、得到渐近正态的因果效应估计；模拟实验优于既有方法，也用于基因调控网络分析。不过，供稿未披露具体提升数字，结论仍主要来自论文作者自述。