一项研究说“教育影响投票”，另一项说“鼓励就医改善健康”，背后依赖的因果假设可能完全不同，连“结论有多稳”都很难横向比较。Guilherme Duarte 提出一套通用语言：不再只问假设成立与否，而是问，最多允许多大比例的人不符合假设，结论才会翻盘。敏感性分析——逐步放松关键假设、观察结果如何变化——因此有了较统一的刻度。
这套框架面向离散因果模型，把人按不同条件下可能出现的反应归入“主层”，再将假设、数据和待估计的因果效应转成多项式优化问题。它可放松三类常见条件：变量如何响应的限制、排除直接影响的限制，以及“没有未观察到的共同原因”。随着允许违背假设的人群比例增加，方法会给出因果效应的尖锐界限——在现有数据和假设下不能再缩窄的可能范围；还会报告一个直观的稳健值：最少要允许多少人违背假设，效应的正负方向才无法确定。价值不在替研究者判断假设是否可信，而在让不同研究用同一种尺度说明结论离翻盘还有多远。