像把一副牌随机分成两摞，只用其中一摞教模型：即使原始牌不变，分法不同，结果也会波动。调查中的模型辅助估计也是如此——预测模型帮忙提高总体估计精度，样本真实值再负责纠偏。但若从概率样本中随机划一次训练集，传统方差往往只计算“抽到哪些样本”，漏掉“训练集怎样划分”。
María Eugenia Riaño 的论文把这次划分视为第二阶段随机化，并为实际得到的单次划分估计量推导出两项设计型方差：一项来自概率抽样，另一项来自训练集划分。这里的“设计型”是说，把总体数值视为固定，只追踪随机程序带来的波动；也不是通常所说的先抽群、再抽群内单位。
最具体的一点是：对树类预测器，第二项方差可以直接计算，而且作者发现，它占总方差的比例会随树的复杂度上升。这解释了灵活模型为何容易低估误差。作者还提出解析法和重复抽样法，两者都不改最终点估计；模拟中，纳入划分方差后，区间覆盖率回到接近标称水平，计算成本又低于反复划分并平均。论文未在摘要中给出具体覆盖率和成本数字。