Znaczenie obserwowalnego polega na tym, że może ono przenosić wiele informacji, nawet jeśli zależy od ukrytych zmiennych. Na przykład, kolejność wykonania transakcji jest obserwowalnym. Wyraźnie zależy od ukrytych zmiennych, takich jak przepływ zleceń. Jednak nadal możliwe jest skonstruowanie estymatora z obserwowalnego i przetestowanie założeń lub modeli w celu oceny reprodukowalności zaobserwowanego zdarzenia, niekoniecznie znając ukrytą zmienną. Możemy porównać rzeczywistą kolejność wykonania z idealną, gdzie transakcje są idealnie uporządkowane według priorytetu, definiując odległość między rzeczywistym porządkiem a idealnym porządkiem. Z tego uzyskujemy specyficzny rozkład dla każdego harmonogramu. Pod podstawowymi założeniami, takimi jak czas spędzony na planowaniu transakcji przed wykonaniem i stopień równoległości, możemy odtworzyć zmierzone rozkłady za pomocą symulacji, w których przepływ zleceń zakłada się jako jednorodny wśród wszystkich harmonogramów. Stwierdzamy, że: - harmonogram, który wykonuje transakcje w miarę ich dostępności, używając priorytetu tylko do rozwiązywania równoczesnych transakcji, prawie idealnie reprodukuje Agave - harmonogram, który grupuje i wykonuje transakcje co 50 ms, prawie idealnie reprodukuje BAM - harmonogram, który czeka do końca slotu przed wykonaniem wszystkiego, prawie idealnie reprodukuje harmonogram przychodów Frankendancera Żadne z tego nie zakłada różnic w przepływie zleceń. Czy to oznacza, że przepływ zleceń można wyeliminować jako ukrytą zmienną? Nie. Fakt, że model reprodukuje dane, nie oznacza, że perturbacje w modelu nie mogą mieć efektów ogonowych, co czyni przepływ zleceń istotną zmienną przy badaniu wartości odstających lub powtarzających się anomalii. Czy to oznacza, że nic nie można się nauczyć, działając w reżimie „równego przepływu zleceń”? Nie. To, co się uczysz, to jak planowanie zachowuje się w warunkach parytetu.