本文考虑了当治疗状态的分配是不完全随机的情况下，对一个方案对多个结果的影响进行推断的问题。通过不完全随机化，我们的意思是在初始随机化之后，根据分析人员可能观察到或未观察到的特征重新分配治疗状态。我们开发了一种部分识别方法来解决这个问题，该方法利用限制随机化不完美程度的信息来表明，在这种情况下，仍然有可能对程序的效果做出非平凡的推断。我们考虑一组零假设，其中每个零假设都指定程序对几个感兴趣的结果之一没有影响。在弱假设下，我们构建了一个程序来测试这个零假设族，以控制家族的错误率-甚至一个错误拒绝的概率-无限样本。我们在重新分析HighScope Perry学前教育项目的背景下开发了我们的方法。我们发现，即使在考虑了随机化的不完美性和零假设的多重性之后，该计划对许多不同的结果产生了统计上显著的影响，包括与男性和女性犯罪活动相关的结果。