给一批医院随机分配新方案时，大医院患者多，小医院患者少。若两类医院的结局或疗效本就不同，“平均每位患者受益多少”和“平均每家医院改善多少”便不是同一道题。前者让每个人权重相同，后者让每个医院权重相同。论文关注的正是信息性集群规模（ICS）——集群大小本身与结局或治疗效果有关。
作者指出，常用的线性混合效应模型（用于处理同一医院内患者相似性）和采用可交换相关结构的 GEE（广义估计方程），此时可能产生随数据变化的隐含权重，结果既不对应个体平均效应，也不对应集群平均效应。新方法 CS-g 做两步调整：把集群大小及其与治疗的交互项加入模型，再用 g-computation——分别预测接受和不接受处理时的平均结局——明确计算想回答的效应。
最关键的一点是，作者证明：只要采用与目标匹配的权重，即使相关结构、其他协变量乃至集群规模项的函数形式设错，CS-g 仍可一致估计相应效应；其估计量还与更复杂的稳健标准化方法在有限样本中完全等价。模拟覆盖连续和二元结局，作者报告其无偏且效率更高，但摘要未披露具体提升幅度。