假设一项健康政策通过几条路线影响结果，我们自然想先押注“作用最大”的那条。但当政策还会改变一个同时影响后续环节和结果的变量时，这种排序可能失真。这叫中间混杂：变量既在因果链上，又扮演混杂因素。Recanting-twin 方法会为它抽取一个“孪生”替代值，让各条路径的效应可以从观察数据中识别；问题是，这个可计算的替代量是否仍像原本无法识别的自然路径效应。
这篇论文给出的答案是：要看条件。在线性结果模型且不存在中介与中间混杂变量的交互时，两类路径效应完全一致；在 log-linear 模型中，改用乘法尺度也成立。对更一般的二元结果，作者推导了两者绝对差异的可识别上下界，可用来判断替代误差可能有多大。
真正需要谨慎的是非线性、非单调情形——同一路径可能对不同人产生相反作用。作者在四种情景、320组数值设定的模拟中发现，两类效应的排序不一致率为15%至56%，符号不一致率为5%至43%；差异还强烈受中间混杂变量不同反事实值之间不可观测的相关性影响。换句话说，recanting-twin 能让路径分析“算得出来”，却不自动保证方向和优先级都可信。