Для некоторых моделей и структур пропусков существует такой вариант параметризации 
взаимнооднозначная функция от 0), что логарифм правдоподобия разделяется на компоненты:
причем
1) 
- раздельные, т. е. совместное параметрическое пространство для 
является произведением параметрических пространств для отдельных 
2) компоненты 
это логарифмы правдоподобия для задачи с полными данными, или в общем случае, для более простых задач с неполными данными.
Если можно определить разложение с такими свойствами, то благодаря раздельности 
максимум 
можно найти, максимизируя 
отдельно для каждого 
Если в результате получена МП-оценка 
то МП-оценку любой функции 
от 
можно получить, используя свойство 5.1, т. е. полагая 
С помощью разложения (6.1) можно также вычислить приближенную ковариационную матрицу для ОМП, матрицу С в (5.6). Двукратное дифференцирование (6.1) и 
дает блочно-диагональную матрицу вида
Значит, ковариационная матрица С также блочно-диагональная и имеет вид
Поскольку компоненты этой матрицы вычисляются для полных данных, найти их относительно легко. Приближенную ковариационную матрицу МП-оценок для функции 
от 
можно определить по формуле
где 
матрица частных производных по 
где 
— вектор-столбец.
для неполных данных 
может быть сложной функцией, максимум которой найти нелегко и которая, конечно, может порождать информационную матрицу сложного вида. Однако для определенных моделей и структур пропусков удается анализировать 
с помощью обычных методов для полных данных. В общих чертах идея описывается в настоящем разделе, частные случаи для нормальных данных рассмотрены в остальных разделах главы, а для полиномиальных (перекрестно классифицированных) данных — в гл. 9.
