同一套预测规则，在一家医院好用，换到另一家却失灵，往往说明它抓住了当地特有的相关性，而不是稳定关系。Zhang、Mazumder 与 Taeb 把这类问题改写成一个可求解的选择题：从多环境数据——不同地区、时期或实验条件下采集的同类数据——中，找出环境变化后仍可靠的预测变量。
关键一步是同时检查两件事：线性模型的最小二乘系数是否稳定，以及预测风险——也就是平均预测误差——是否稳定。作者称之为 LSCR 不变性。随后，他们用混合整数规划（MIP）求解：0/1 变量决定某个预测因子是否入选，连续变量表示它的系数。相比逐一尝试所有变量组合，分支定界算法可以提前排除大量不可能更优的组合，还能给出最优性差距证书，说明当前答案离全局最优还有多远。
这项工作的价值不只在于“找到一组稳定变量”，还在于把变量选择与环境不变性放进同一个优化框架，并覆盖完整识别和只能谨慎发现部分因果变量两种情形。作者自述，模拟与真实数据实验在统计和计算表现上优于既有方法；现有材料未提供可在此引用的具体提升数字。