想判断一项政策有没有效果，常见办法是沿着政策前的走势画一条“如果政策没发生”的预测线。但若此前还撞上疫情、制度调整或环境变化，这条线本身就可能被带偏。比如研究每月病例数时，疫情造成的转折若没单独处理，后来政策的影响就容易被高估或低估。
这项研究面向计数数据——病例数、事故数这类非负整数——提出用 Bayesian stacking 处理“干扰中断”。它不预先押注疫情影响一定是骤变、缓慢变化或其他固定形状，而是准备多种时间序列模型，再按它们在政策实施前数据上的样本外预测表现分配权重，组合出无政策情形下的一组可能轨迹及其不确定性。作者将方法用于评估 2021 年 Texas 六周堕胎禁令对已记录妊娠数量的影响，并调整 COVID-19 疫情的干扰。边界也很明确：论文只处理早于目标政策发生的干扰；若两者同时出现，作者认为其影响无法拆开识别。