医生每月根据病情调整用药，研究者事后想知道长期治疗是否有效，却会碰到一个难题：该把哪些病情指标纳入计算？全塞进去看似稳妥，反而可能放大估计误差；只选一套变量，又容易忽略“选错模型”的风险。
Adenyo 等人提出 LGBCEE。它用贝叶斯模型平均——按照不同模型获得数据支持的程度加权汇总，而非押注唯一答案——同时选择治疗模型和结局模型中的变量。方法还设置了一种信息先验，优先支持理论上方差最低的调整变量组合，并把选择的不确定性带入最终效应区间。作者报告，在多种模拟情景中，它优于纳入全部变量的估计，并达到与“预先知道正确模型”的 oracle 估计器相近的表现；在老年人他汀累积暴露与首次心血管疾病或死亡的实例中，标准误也明显降低。
这项工作的价值不在于给出又一套唯一模型，而是承认变量选择本身就不确定。边界也很明确：方法仍依赖未测混杂不存在等因果假设，并采用参数回归模型，模型设定错误仍可能带来偏差。