随机分组像洗牌：长期看两组公平，但只做一次，仍可能碰巧把实验前消费较高的人多分到一边。此时，直接比较两组平均结果通常仍是无偏的——重复许多次不会系统性偏向一方——却不代表这一次恰好估得准。Fu 与 Green 试图把“不调整、回归调整、追求更高精度”放进同一个框架。
他们把单次随机分组后可预测的估计误差称为“事后偏差”（ex-post bias）。论文的关键判断是：要不要纳入某个协变量——实验前已知的特征——不应只看它在两组间是否失衡，也不能只看它能否预测结果，而要看它能否预测这次实验的事后偏差。作者甚至构造出一种反直觉情形：某变量在两组间失衡，也能强烈预测两组各自的结果，却对平均处理效应的估计误差没有信息。
这也解释了为何“纠正失衡”和“提高精度”其实是同一件事的两面：从本次实验看，是扣除可预测误差；从重复随机分组看，则是降低估计波动。论文仍建议保留平衡表，用它检查实验执行是否异常，但不赞成事后按“哪项最不平衡”挑调整变量。其直接估计方法在文中的有限样本模拟里整体表现最好，不过这一优势目前来自作者设定的模拟比较。