画疾病流行率地图，像回答两个看似相近、其实不同的问题：某县有多少人患病，和风险热点究竟落在哪里。前者更适合小区域估计（SAE）——在县级样本很少时，借助模型和更大范围数据提高行政区统计精度；后者更适合模型地统计（MBG）——利用地点间的空间关联，估计连续风险表面，再按需要汇总。
Giorgi、Fronterre 和 Diggle 的评论因此主张，别急着在两派之间站队，先明确推断目标和数据条件。文章最具体的提醒涉及“调查设计变量”，也就是抽样分层、整群和入选概率等信息。它们不一定要被机械塞进空间模型：作者建议先加入与疾病机制更直接的丰富协变量，再检查设计变量是否仍能解释结果。原论文的 Zambia HIV 案例中，仅加入可达性、疟疾和夜间灯光三个协变量后，城乡变量的系数就从 0.878 降至 0.641，显示其作用至少部分可由更具体的路径解释。但这并不证明设计信息可以普遍删除；若它仍改善拟合，就可能说明模型遗漏了关键机制。