想象一项学校试验：研究者不断查看新到的数据，一见“有效”就停。反复偷看会抬高误报风险；而同校学生又彼此相似，不能当成完全独立的样本。Michael Lindon 的新工作把 anytime-valid inference（允许随时查看或停止、仍维持统计保证的推断）扩展到了这类簇相关数据。
方法以学校、医院或用户等完整“簇”为更新单位：每完成一个簇，才更新一次证据，不在簇内中途计算。论文最具体的一点是，在高斯模型且各簇采用共同设计时，常用的簇稳健 Wald 统计量，恰好等于基于每簇最小二乘结果计算的 Hotelling 统计量，因此能得到有限样本下的精确检验与置信序列——也就是随数据到来持续更新、整段观察期都力求覆盖真实参数的一串区间。若放宽高斯、等簇大小和模型正确等假设，作者还给出更通用的渐近方案，但此时保证只在样本逐渐增大时成立。