请参阅编辑。
当您的数据尾巴很重时，进行带有Student-t错误的回归似乎是一件直观的事情。在探索这种可能性时，我遇到了这篇论文：
TS的Breusch，JC的Robertson和AH的威尔士（1997年11月1日）。皇帝的新装：对多元t回归模型的评论。Statistica Neerlandica，51，3.）（link，pdf）
该论据认为，在某种意义上，比例参数和自由度参数是无法相互识别的，因此，进行带有t误差的回归不会做超出标准线性回归的任何事情。
Zellner（1976）提出了一种回归模型，其中数据向量（或误差向量）表示为来自多元Student t分布的实现。该模型引起了相当大的关注，因为它似乎扩大了通常的高斯假设，以允许更严重的误差分布。文献中的许多结果表明，在较宽的分布假设下，高斯模型的标准推理程序仍然适用，从而导致了标准方法的鲁棒性。我们证明，尽管从数学上讲这两个模型是不同的，但出于统计推断的目的，它们是无法区分的。多元t模型的经验含义与高斯模型的经验含义完全相同。因此，建议采用更广泛的数据分布表示形式是虚假的，而健壮性的主张则具有误导性。这些结论是从频繁主义者和贝叶斯主义者的角度得出的。
这让我感到惊讶。
我没有数学上的技巧来很好地评估他们的论点，所以我有两个问题：确实，用t误差进行回归通常没有用吗？如果它们有时有用，是我误解了本文还是引起误解？如果它们没有用，这是众所周知的事实吗？还有其他方法可以处理大量拖尾的数据吗？
编辑：仔细阅读第3段和第4节，似乎下面的文章并没有在谈论我作为学生t回归的想法（错误是独立的单变量t分布）。错误是从单一分布中得出的，并且不是独立的。如果我理解正确，那么这种缺乏独立性正是解释为什么您无法独立估计自由度和自由度的原因。
我猜这篇文章提供了一份避免阅读的论文清单。