A importância de um observável é que ele pode carregar muita informação, mesmo que dependa de variáveis ocultas. Por exemplo, a ordem de execução das transações é um observável. Ela claramente depende de variáveis ocultas, como o fluxo de ordens. No entanto, ainda é possível construir um estimador a partir do observável e testar suposições ou modelos para avaliar a reprodutibilidade do evento observado, sem necessariamente conhecer a variável oculta. Podemos comparar a ordem de execução real com uma ideal, onde as transações são perfeitamente ordenadas por prioridade, definindo uma distância entre a ordem real e a ordem ideal. A partir disso, obtemos uma distribuição específica para cada escalonador. Sob suposições básicas, como o tempo gasto agendando transações antes da execução e o grau de paralelização, podemos reproduzir as distribuições medidas usando simulações onde o fluxo de ordens é assumido como uniforme entre todos os escalonadores. Descobrimos que: - um escalonador que executa transações à medida que se tornam disponíveis, usando prioridade apenas para resolver transações concorrentes, reproduz quase perfeitamente o Agave - um escalonador que agrupa e executa transações a cada 50ms reproduz quase perfeitamente o BAM - um escalonador que espera até perto do final do slot antes de executar tudo reproduz quase perfeitamente o escalonador de receita do Frankendancer Nada disso assume disparidades no fluxo de ordens. Isso significa que o fluxo de ordens pode ser eliminado como uma variável oculta? Não. O fato de um modelo reproduzir os dados não implica que perturbações no modelo não possam ter efeitos de cauda, tornando o fluxo de ordens uma variável essencial ao estudar outliers ou eventos anômalos repetidos. Isso significa que nada pode ser aprendido operando sob um regime de "fluxo de ordens igual"? Não. O que você aprende é como o agendamento se comporta sob condições de paridade.