假设研究者想判断污染每增加一个单位，健康指标平均变化多少。即使把同一片区域的采样点铺得越来越密，也未必能得到真答案：未观测的社区环境可能同时影响污染和健康，让普通回归把两者共有的空间变化误认成污染效应。Abhirup Datta 等发表于 Annals of Statistics 的论文，回答的正是“多采点最终能否解决空间混杂”这个问题。
作者研究 Gaussian Random Field（高斯随机场，即用相互关联的随机值描述空间变化）之间的回归。在研究区域固定、采样不断加密的设定下，他们用暴露与混杂因素的平滑程度和局部变化，给出斜率可一致估计——样本增多时趋近真值——的充分条件；满足条件时，可通过局部差分或适当阶数的拉普拉斯算子，削弱平滑的空间混杂。论文还用两类过程高频谱尾部的相对衰减给出必要条件。对 Matérn、power-exponential、generalized Cauchy 等多类协方差模型，必要与充分条件除一个边界点外能够重合，因此这不只是提出一种新估计法，而是较清楚地划出了“何时原则上可估”的边界。