这在很大程度上取决于领域知识。一般的方法是放置

1. 每个电路中最差或平均一致性的乘积$c$， IE$(1 + m)\text{max}(\sigma_c)$或者$(1 + m)\text{avg}(\sigma_c)$分别对于该电路的空值，或

2. 每个驱动程序的最差或平均一致性的乘积$d$， IE$(1 + m)\text{max}(\sigma_d)$或者 $(1 + m)\text{avg}(\sigma_d)$分别为他们未完成的比赛，或

3. 驱动器和电路平均一致性的平均值的乘积，即$(1 + m)[\text{avg}(\sigma_d) + \text{avg}(\sigma_c)]/2$, 对于未完成的车手比赛$d$在电路$c$，或其他一些组合。

无论选择哪种方法，系数的选择$m$影响最终排名，可以确定

1. 主观地从专家的角度查看排名并选择更有意义的排名，或

2. 通过尝试一系列值，例如$m \in \{-0.2, -0.1, 0, 0.1, 0.2, .., 0.5\}$并平均一致性$\sigma_d$或排名$R_d$为每位司机$d$. 这种方法的一个优点是，当驾驶员的等级在不同的$m$，这意味着司机的等级对选择不敏感$m$，即争议较小，并且当排名随着不同的选择而变化很大时$m$，平均排名更有争议。