یکی از موضوع های قابل بحث در تحلیل مدلهای خطی آن است که شرط نرمال بودن توزیع باقیمانده ها برقرار نباشد . توزیع نرمال به دلیل دم نازکش ، در برابر انحراف از فرضیات مدل حساس است و داده های دور افتاده می تواند به استنباط پارامترها ضربه وارد کند . به همین دلیل ، در سال های اخیر روش های استوار دیگری توسعه یافته است. یکی از این روشها ی موفق جایگزین کردن توزیع های دم -سنگین تر مانند توزیع t استیودنت و توزیع لاپلاس به جای توزیع نرمال است . با توجه به اینکه مدل cev تحت فرایندهای ouوsr دارای مدل خطی بوده ،لذا جایگزینی توزیع t و توزیع لاپلاس بجای شرط نرمال بودن باقیمانده ها باعث کم اثر کردن داده های دور افتاده شده و بنابر این استفاده از این توزیع های دم- سنگین بجای شرط نرمال بودن باقیمانده ها در استنباط پارامترها کار مناسب تری است . استنباط بیزی بدلیل استفاده از اطلاعات قبلی بسیار مورد توجه محققان می باشد ولی مشکلاتی که در راه پیداکردن توزیع های پسین وجود دارد استفاده از این شیوه منحصر بفرد را با پیچیدگی هایی همراه کرده است. از جمله این پیچیدگی ها محاسبه توزیع های پسین کناری است که اغلب نیازمند انتگرال گیری از توابع با ابعاد زیاد بوده و مستلزم محاسبات بسیار پیچیده می باشد . یک روش مناسب برای محاسبه این انتگرال ها استفاده از زنجیره مارکوف مونت کارلو است . که از توزیع های پیچیده مورد علاقه شبیه سازی می کند . یک شکل عمومی از روش mcmc توسط مترو پلیس (1953) و هستینگز (1970) ارائه شد که به الگوریتم مترو پلیس – هستینگز معروف است و نمونه گیری گیبز که گمن و اسمیت (1984) آن را معرفی کردند یک حالت خاص آن می باشد .دراین روش امکان نمونه گیری از توزیع پسین هموار شد و آمار شناسان توانستن به کمک نمونه های تولید شده از توزیع پسین ، استنباط درباره ی پارامترهای مجهول مدل را انجام دهند .