假如一千笔交易里只有一笔欺诈，模型全猜“正常”，准确率仍会很好看，却抓不住真正重要的那一笔。常见补救是上采样——重复或合成少数类，或下采样——删掉部分多数类。Jason Bryer 介绍的分层建模换了个思路：不只调整数据比例，而是改变模型怎样使用数据。
在文中的 PISA 美国样本里，私立学校学生只有 345 人，公立学校学生有 4,888 人，约为 14 倍。做法是把公立学校样本随机分成 14 份，每份只进入一个逻辑回归模型；345 名私立学校学生则在每个模型中重复使用。这样，多数类信息没有被丢掉，少数类也能在每次拟合中获得足够分量。最后再用 Rubin’s Rules——一种汇总多个模型估计值及其不确定性的方法——合并结果。
这项工作的价值在于，它把失衡问题写进模型结构，而不只是改造训练样本。作者还观察到，公私立样本比例越悬殊，模型给出的预测值越向多数类收缩。不过，这篇材料主要展示方法与拟合值变化，未披露少数类召回率、精确率等最终预测表现，实际收益仍需据此检验。