Důležitost pozorovatelné veličiny spočívá v tom, že může nést mnoho informací, i když závisí na skrytých proměnných. Například pořadí provádění transakcí je pozorovatelnou proměnnou. Je jasné, že závisí na skrytých proměnných, jako je tok pořadí. Nicméně je stále možné z pozorovatelné veličiny sestavit odhadovač a testovat předpoklady či modely k posouzení reprodukovatelnosti pozorované události, aniž by bylo nutné znát skrytou proměnnou. Můžeme porovnat skutečné pořadí provedení s ideálním, kde jsou transakce dokonale uspořádány podle priority, definováním vzdálenosti mezi reálným a ideálním pořadím. Z toho získáme specifické rozdělení pro každý plánovač. Za základních předpokladů, jako je doba strávená plánováním transakcí před vykonáním a míra paralelizace, můžeme naměřená rozdělení reprodukovat pomocí simulací, kde se předpokládá, že tok objednávek je jednotný napříč všemi plánovači. Zjistili jsme, že: - plánovač, který provádí transakce, jakmile jsou k dispozici, přičemž prioritu používá pouze pro vyřešení současných transakcí, téměř dokonale reprodukuje Agávu - plánovač, který shromáždí a vykoná transakce každých 50 ms, téměř dokonale reprodukuje BAM - plánovač, který čeká téměř do konce slotu, než vše vykoná, téměř dokonale reprodukuje plánovač příjmů Frankendancera Nic z toho nepředpokládá rozdíly v toku pořadí. Znamená to, že tok příkazů lze jako skrytou proměnnou eliminovat? Ne. Skutečnost, že model reprodukuje data, neznamená, že poruchy modelu nemohou mít efekt ocasu, což činí tok uspořádání zásadní proměnnou při studiu odlehlých hodnot nebo opakovaných anomálních jevů. Znamená to, že se nic nenaučíme působením v režimu "rovného toku řádu"? Ne. Co se ale naučíte, je, jak se plánování chová za podmínek parity.