Pentingnya yang dapat diamati adalah dapat membawa banyak informasi, bahkan jika itu tergantung pada variabel tersembunyi. Misalnya, perintah eksekusi transaksi dapat diamati. Ini jelas tergantung pada variabel tersembunyi, seperti aliran pesanan. Namun, masih mungkin untuk membangun estimator dari asumsi atau model yang dapat diamati dan diuji untuk menilai reproduktifitas peristiwa yang diamati, tanpa harus mengetahui variabel tersembunyi. Kita dapat membandingkan urutan eksekusi aktual dengan yang ideal, di mana transaksi diurutkan dengan sempurna berdasarkan prioritas, dengan menentukan jarak antara pesanan nyata dan pesanan ideal. Dari sini, kami memperoleh distribusi khusus untuk setiap penjadwal. Di bawah asumsi dasar, seperti waktu yang dihabiskan untuk menjadwalkan transaksi sebelum eksekusi dan tingkat paralelisasi, kita dapat mereproduksi distribusi yang diukur menggunakan simulasi di mana aliran pesanan diasumsikan seragam di semua penjadwal. Kami menemukan bahwa: - penjadwal yang mengeksekusi transaksi saat tersedia, menggunakan prioritas hanya untuk menyelesaikan transaksi bersamaan, hampir dengan sempurna mereproduksi Agave - penjadwal yang mengelompokkan dan mengeksekusi transaksi setiap 50 ms hampir sempurna mereproduksi BAM - penjadwal yang menunggu sampai mendekati akhir slot sebelum mengeksekusi semuanya hampir sempurna mereproduksi penjadwal pendapatan Frankendancer Tak satu pun dari ini mengasumsikan perbedaan dalam arus pesanan. Apakah ini berarti bahwa orderflow dapat dihilangkan sebagai variabel tersembunyi? Tidak. Fakta bahwa model mereproduksi data tidak menyiratkan bahwa gangguan pada model tidak dapat memiliki efek ekor, membuat aliran pesanan menjadi variabel penting saat mempelajari outlier atau peristiwa anomali berulang. Apakah ini berarti bahwa tidak ada yang dapat dipelajari dengan beroperasi di bawah rezim "arus tatanan yang setara"? Tidak. Apa yang Anda pelajari adalah bagaimana penjadwalan berperilaku dalam kondisi paritas.