আপনার ডেটা অনুসরণ করে এমন প্যারামিট্রিক বিতরণ যদি আপনি জানেন তবে সর্বাধিক সম্ভাবনার পদ্ধতির ব্যবহার এবং বিতরণটি অর্থবোধ করে। কক্স প্রপেনশনাল হ্যাজার্ডস রিগ্রেশনটির আসল সুবিধা হ'ল আপনি এখনও বিতরণটি জেনে (বা ধরে না রেখে) বেঁচে থাকার মডেলগুলি ফিট করতে পারেন। আপনি সাধারণ বিতরণ ব্যবহার করে একটি উদাহরণ দেন তবে বেঁচে থাকার বেশিরভাগ সময় (এবং অন্যান্য ধরণের ডেটা যা কক্স পিএইচ রেজ্রেশন ব্যবহার করা হয়) কোনও সাধারণ বিতরণ অনুসরণের কাছাকাছি আসে না। কিছু লোক লগ-নরমাল, বা একটি ওয়েইবুল বা অন্যান্য প্যারাম্যাট্রিক বিতরণ অনুসরণ করতে পারে এবং আপনি যদি এই অনুমান করতে প্রস্তুত হন তবে সর্বাধিক সম্ভাবনা প্যারামিট্রিক পদ্ধতি দুর্দান্ত। তবে অনেকগুলি বাস্তব বিশ্বের ক্ষেত্রে আমরা জানি না যে উপযুক্ত বিতরণ কী (বা এমনকি যথেষ্ট পরিমাণে কাছাকাছি হওয়া)। সেন্সরিং এবং covariates দিয়ে আমরা একটি সাধারণ হিস্টোগ্রাম করতে পারি না এবং "এটি দেখতে আমার কাছে বিতরণ" বলে মনে হয় না। সুতরাং একটি নির্দিষ্ট বিতরণ প্রয়োজন ছাড়াই ভাল কাজ করে এমন একটি কৌশল থাকা খুব দরকারী।
বিতরণ কার্যক্রমের পরিবর্তে বিপত্তিটি কেন ব্যবহার করবেন? নিম্নলিখিত বিবৃতিটি বিবেচনা করুন: "এ গ্রুপের লোকেরা বি গ্রুপের লোকদের হিসাবে ৮০ বছর বয়সে দ্বিগুণ মারা যায়"। এখন এটি সত্য হতে পারে কারণ বি গ্রুপের লোকেরা 'এ' গ্রুপের লোকদের চেয়ে বেশি দিন বেঁচে থাকে, বা এটি হতে পারে কারণ বি গ্রুপের লোকেরা কম জীবনযাপন করে এবং তাদের বেশিরভাগই ৮০ বছরের অনেক আগে মারা গিয়েছিল, খুব সামান্য সম্ভাবনা দেয় এদের মধ্যে ৮০ বছর বয়সে মারা যায়, তবে গ্রুপ এ-তে পর্যাপ্ত লোকেরা ৮০-তে বেঁচে থাকে যে তাদের মধ্যে বেশিরভাগ সংখ্যক সেই বয়সে মারা যাবে যে বয়সে মৃত্যুর সম্ভাবনা অনেক বেশি। সুতরাং একই বক্তব্যটির অর্থ গ্রুপ এ থাকায় বি গ্রুপে থাকা আরও ভাল বা খারাপ হতে পারে, যা বলার চেয়ে বেশি বোঝায় তা হল, সেই ব্যক্তিদের (প্রতিটি গ্রুপে) যারা ৮০ বছর বয়সী ছিলেন, তাদের অনুপাতটি ৮১ বছর বয়সে যাওয়ার আগে মারা যাবে। সেটি হ'ল বিপত্তি (এবং বিপত্তিটি বিতরণ ফাংশন / বেঁচে থাকার ফাংশন ইত্যাদি)। বিপত্তিটি আধা-প্যারামিট্রিক মডেলটিতে কাজ করা আরও সহজ এবং তারপরে আপনাকে বিতরণ সম্পর্কিত তথ্য দিতে পারে।