馬可夫毯探索通常仰賴條件獨立檢定或其近似。當變項很多、樣本有限、資料分布偏斜、噪音很高，或存在未觀測混雜時，檢定結果可能不穩定；早期錯誤刪除候選變項也可能連鎖影響後續搜尋。即使理論上存在清晰邊界，有限資料仍可能只支持近似或多個競爭解。
這不是馬可夫毯概念無用，而是提醒應把演算法輸出當成受假設約束的估計，而不是直接當成資料世界的完整地圖。
思與行
- 使用重抽樣、交叉驗證、不同條件獨立檢定與敏感度分析，觀察邊界成員是否穩定。
- 報告未選入的變項與不確定性，而不只列出最後的特徵清單。
馬可夫毯探索通常仰賴條件獨立檢定或其近似。當變項很多、樣本有限、資料分布偏斜、噪音很高，或存在未觀測混雜時，檢定結果可能不穩定；早期錯誤刪除候選變項也可能連鎖影響後續搜尋。即使理論上存在清晰邊界，有限資料仍可能只支持近似或多個競爭解。
這不是馬可夫毯概念無用，而是提醒應把演算法輸出當成受假設約束的估計，而不是直接當成資料世界的完整地圖。