Kuivõrd situatsioonis, kus meil puudub tihedusfunktsiooni avaldis on suurima tõepära meetodi kasutamine parameetrite hindamisel tõsiselt raskendatud (et tiheduse väärtusi leida on võimalik, siis võrgu meetodil saaksime muidugi hinnangule lähendi leida, ent see oleks väga töömahukas ja ilmselt ka üpris ebatäpne) siis on ilmselgelt vaja mingit muud metoodikat.

Siin kasutatakse ära, et kui eksisteerib karakteristlik funktsioon ja jaotus on esitatud selle kaudu, siis on lihtne konstrueerida empiirline karakteristlik funktsioon

ja sisi võrdsustada empiirilise ja teoreetilise karakteristliku funktsiooni reaalosa ja imaginaarosa kasutades selleks erinevaid positiivseid (aga suvaliselt valitud) väärtusi . Ehkki võrrandite lahendamisel saadakse mõjusad hinnangud, ei ole kuigi selge, kuidas konstante valida tuleks. Üheks võimaluseks sellist olukorda modifitseerida on leida võrrandite mõlemast poolest logaritmid. Siis tekivad nn. regressioonitüüpi võrrandid, mille parameetrite hinnangute kaudu saame leida jaotuse parameetrite hinnangud, kusjuures saame kasutada rohkem väärtusi (ja seega ehk ka vähendada parameetrite hinnangute sõltuvust valitud konstantide väärtusest).

Muidugi on kasutatav ka (mittetäisarvuliste) momentide meetod. Kuivõrd kõik absoluutsed momendid kujul

on lõplikud juhul kui , siis on esmalt kursuse tutvustatud meetodite abil võimalik kindlaks teha, milline on ligikaudne väärtus ja valida seejärel neli sellest väärtusest väiksemat positiivset konstanti, mille põhjal koostada võrrandid empiiriliste momemntide hinnagute ja teoreetiliste momentide avaldiste vahel.