看到一笔异常大的支出，我们通常先怀疑数据错了。但在因果分析里，这类离群值也可能是线索。难题在于“未观测混杂”：某个没被记录的因素同时影响处理与结果，让相关性看起来像因果。Bodik 和 Thams 提出，在重尾数据——极端值出现得比正态分布更频繁的数据——中，可以反过来利用这些异常观测。
关键做法叫“认证”。研究者先找一些 safeguard（可理解为警戒变量）：隐藏混杂一旦走向极端，它们也应大概率变得极端。然后只挑选“处理值很极端、警戒变量却不极端”的样本。按论文假设，此时处理自身的波动会压过混杂影响，结果相对处理的极端方向，其斜率就对应因果效应。换句话说，代理变量不必完整还原隐藏因素，只需在它异常时拉响警报。
这条路径的价值在于，它把常被删除的离群值重新解释为近似外生的信息来源。作者称，模拟在非线性混杂和重尾条件下显示出优势，并在河流流量案例中恢复了已知流量；但轻尾数据里，极端混杂可能因相互抵消而躲过警戒变量，方法也会失效。