用观察数据判断因果，像根据一群人的饮食和健康记录推断某种食物是否有益：你得先相信没有漏掉关键差异，而且“吃了什么”定义清楚。这些识别假设——让因果效应能从数据中推出的前提——往往无法靠同一批数据验证。通常的分析却直接把它们当真，容易显得过度确定。
Kim、Bhattacharya 和 Bradley 提出的 AMUA，要求分析者显式下注：先写下四项关键假设共同成立的概率，再把两个世界合成后验混合分布。一个世界沿用标准因果模型；另一个允许至少一项假设失效。数据本身不能替分析者判断该信多少，因此这个权重表达的是主观判断，而非数据证明出的频率。
最实用的一步，是反过来问：要让平均处理效应的 95% 最高后验密度区间——也就是后验中最集中的一段范围——仍然排除零，至少要多相信这些假设？这个门槛把结论的脆弱程度直接摆上台面。作者也明确说，AMUA 不是为了保证估计更准；它可能拉宽区间、削弱“存在效应”的证据，但这正是在为不可检验的前提计价。