Dalam model linear teritlak (MLT), setiap hasil Y bagi pemboleh ubah bersandar diandaikan dijana daripada taburan tertentu dalam keluarga eksponen, satu kelas besar daripada taburan kebarangkalian yang merangkumi taburan normal, binomial, Poisson dan gamma, dalam kalangan yang lain. Min untuk taburan, μ, bergantung pada pemboleh ubah tidak bersandar, X, melalui:

E ⁡ ( Y | X ) = μ = g − 1 ( X β ) {\displaystyle \operatorname {E} (\mathbf {Y} |\mathbf {X} )={\boldsymbol {\mu }}=g^{-1}(\mathbf {X} {\boldsymbol {\beta }})}

dengan E(Y|X) ialah nilai jangkaan bagi Y bersyarat pada X; Xβ ialah peramal linear, gabungan linear parameter yang tidak diketahui β; g ialah fungsi pautan.

Dalam rangka kerja ini, varians lazimnya ialah fungsi, V, daripada min:

Var ⁡ ( Y | X ) = V ⁡ ( g − 1 ( X β ) ) . {\displaystyle \operatorname {Var} (\mathbf {Y} |\mathbf {X} )=\operatorname {V} (g^{-1}(\mathbf {X} {\boldsymbol {\beta }})).}

Adalah mudah jika V mengikut daripada keluarga eksponen untuk taburan tersebut, tetapi mungkin varians itu hanyalah fungsi nilai yang diramalkan.

Parameter yang tidak diketahui, β, biasanya dianggarkan dengan teknik kemungkinan maksimum, kemungkinan seakan maksimum atau Bayesian.