一份收入调查里，漏答者的数字都被机器学习补上了，表格看起来完整，结论却未必可靠。原因是，预测值也会出错；若直接把它们当真，误差会进入总体均值，还可能让误差范围显得过窄。Dagdoug 和 Haziza 因此把重点从“填得像不像”转向“估得准不准”。
他们采用交叉拟合的 AIPW：前者让模型在一批样本上训练、去另一批样本上估计，减少重复使用数据造成的过拟合；后者同时利用“某人会不会漏答”和“其答案可能是多少”两套模型。在论文给定条件下，只要其中一套模型正确，估计仍可保持一致；两套模型都足够准确时，还能支持渐近正态的误差推断。
最实用的一步是，作者又把去偏后的估计反写成一组调整过的填充值：已回答的数据保持不动，整张表的加权均值则与 AIPW 结果完全一致。模拟中，交叉拟合可明显减少置信区间覆盖不足，但当辅助模型预测不准时，也可能增大均方误差。