假设研究者想比较吸烟者与不吸烟者的健康状况，便按年龄、病情等条件寻找相似对象。问题在于，两人也许是关系很近的朋友：他们的吸烟行为和健康结果都可能随社交关系聚集。即使没有真实因果关系，传统“配平后就近似随机”的分析也可能看出虚假效果。
Dong 与 Lee 提出的办法，是在保证协变量相似的同时，限制网络中过于接近的人进入同一匹配组。匹配——为接受处理者寻找条件相近的对照——因此不只看个人资料，也看两人在关系网中的距离。随后，作者用随机化推断，即比较实际结果与所有合规处理分配下的结果，检验“完全没有因果效应”这一严格假设；方法还能处理不同匹配组之间的统计依赖，而不必明确写出完整相关结构。
这项工作的关键提醒很朴素：在亲属、同事或朋友构成的网络里，“条件相似”不等于“可以随机互换”。作者通过仿真和 Framingham Heart Study 展示方法，并提供 R 包 netmatchRI；不过其推断依赖处理分配的网络相关性只在有限距离内存在等条件，检验回答的也是是否存在某种直接或间接效应，而非效应大小与方向。