假设一份调查里，年轻人回得多、老年人回得少，但你知道真实人口的年龄构成和某项选择的总体比例。怎么把这份偏斜的样本调回来？常见做法看起来有两条路：logit shift在Logit尺度——把0到1的概率展开到整条实数轴——上整体平移预测概率；Raking则反复调整每位受访者的权重，让样本的加权分布对上已知的边际总量，也就是年龄、地区等特征各自的总体分布。
Shira给出的关键连接是：当结果变量 z 为二元变量、分组变量 x 为类别变量，并且两者的总体边际已知时，如果都以最小化KL散度——尽量少改动原始分布——来校准，logit shift与Raking会得到同一个联合分布。两种方法也都会保留种子分布原有的优势比，也就是各组之间的相对关系；区别只是一个看成“调概率”，另一个看成“调权重”。此时问题还能化成只求一个平移量的方程，用求根法解决；如果 z 有多个类别，就不能再简化成这一元方程，需要使用迭代比例拟合（IPF），逐轮把各个边际校准到目标值。