把旧试验数据用于新研究，像参考往届成绩预测这一届：完全照搬可能失真，一点不用又浪费信息。幂先验用一个 0 到 1 的“借用强度”控制旧数据的分量；接近 0 几乎不借，接近 1 近似全借。问题是，当这个强度也要由数据决定时，归一化幂先验必须反复计算一个难解的积分，确保总概率仍为 1，实际分析常卡在这里。
Chen 和 Lu 抓住了一个简单关系：在均匀借用强度先验下，把未归一化幂先验当作伪似然运行，其强度参数的边缘分布与所需归一化常数成比例。换句话说，不必正面硬算那个积分，可以先用通用 MCMC——一种靠反复抽样近似概率分布的方法——取得样本，再用灵活的混合模型拟合其形状，作为归一化常数的替代函数。
作者称，这套做法无需显式计算边缘似然，可放进 PROC MCMC、BUGS、JAGS、Stan 或 NIMBLE 等通用贝叶斯软件；在函数快速衰减或强烈弯曲时仍需额外近似。它的价值不在提出新的借用规则，而在把一个理论上严谨、工程上难用的方法，改造成更可移植的计算流程。