Használhatunk érzékenyebb elrendezést is ahhoz, hogy megvizsgáljuk, melyik meditációs stílus a leghatékonyabb a boldogságérzés növelésére: ahelyett, hogy megkérnénk a vizsgált személyeket, hozzanak vagy-vagy döntést, megkérhetjük őket, hogy osztályozzák a meditációkat például egy 1-től 9-ig terjedő boldogságskálán, melyen az 5-ös „semleges állapotot”, az 1 „legmélyebb depressziót”, a 9 „mennyei boldogságot” jelöl. Mindegyik alanyunktól kapunk két osztályzatot, egyet-egyet mindkét naphoz, melyen gyakorolták valamelyik meditációt (esetleg két átlagot is kérhetünk tőlük, egyet-egyet mindkét meditáció többnapi alkalmazásához). Minden egyes alanyhoz kiszámolhatjuk a különbséget: (boldogság a látványmeditációval) – (boldogság az üreselme-meditációval). Adatainkat ezek a különbségpontszámok teszik ki. Ha feltételezhetjük, hogy az egymás után vett minták átlagainak eloszlása megközelítőleg normális, akkor egy normális eloszlás a megfelelő likelihood-függvény. De akad egy probléma. A normális eloszlásnak két paramétere van: az átlag és a szórás. Nem ismerjük a populáció szórását, ami szükséges az átlag likelihoodjának kiszámolásához. Ez a probléma úgy ismert, mint a zavaró paraméterek problémája:53 szeretnénk tudni, hogy az egyik paraméter (ebben az esetben az átlag) különböző értékei mellett milyen bizonyítékok szólnak, de a likelihood-függvény egy másik paramétertől is függ (ebben az esetben a szórástól). A problémának nincsen általános megoldása.