Standardparadigmet för statistisk modellering antar att observationer av variabler är oberoende. Förutom multivariata statistiska tekniker som möjliggör beroenden mellan variabler, och tidsserieanalys med beroende över tid, ger många empiriska miljöer upphov till komplexa datastrukturer som ställer ytterligare krav på modellering och inferens.
Dessa typer av beroenden inkluderar:
- Spatiala och temporala beroenden
- Gruppberoenden
- Peer-effekter och andra nätverksberoenden
Vanliga modelleringsramverk för dessa typer av data inkluderar
- Markov-slumpmässiga fält
- Gaussiska processer
- Grafiska modeller
- Markerade punktprocesser
- Hierarkiska och flernivåmodeller
såväl som arespecifika metoder såsom exponentiella slumpmässiga grafmodeller och stokastiska aktörorienterade modeller för nätverksdata.