同一种干预，换一批用户，平均效果可能就变了。常见做法是预先划分子群，但容易漏掉复杂的效应差异，也不容易回答更实际的问题：目标人群的构成变化后，原有结论还能不能用？
这项工作把视角从“哪个子群不同”转向“人群由谁构成”。研究者先确定混杂因素和效应修饰变量——会改变处理效应大小或方向的基线特征；再用可迁移性方法，估计这些特征以不同占比出现时，假想人群中的总体效应；最后建立总体效应与特征占比之间的关系。输出既包括某类人占比上升对应的效应变化，也包括不同特征与占比组合的排序，用来识别哪些人口构成最关联差异化脆弱性。
作者用 Demographic and Health Surveys 数据分析干旱对儿童发育迟缓的异质性效应，并提供了 Shiny 应用。摘要未披露具体估计结果，因此目前更值得关注的是这套解释框架，而非某个效果数字。