从计算的角度来看，假设随机效应的正态分布是方便的。但是，它可能相当严格。一般来说，不正确的随机效应分布假设会对统计推断产生不利影响；见例如

1) Agresti, A.、Caffo, B. 和 Ohman-Strickland, P. (2004)。错误指定随机效应分布会降低效率的示例以及可能的补救措施，计算统计和数据分析，47, 639-653。

2) Heagerty, PJ & Kurland, BF (2001)。错误指定的最大似然估计和广义线性混合模型，Biometrika, 88, 973-985。

3) Litiere, S.、Alonso, A. 和 Molenberghs, G. (2007)。广义线性混合模型中随机效应错误指定下的 I 型和 II 型错误，Biometrics, 63, 1038-1044。

这促使人们寻找具有更灵活的随机效应分布的混合模型。例如，有很多关于非参数建模的文献，例如狄利克雷过程模型和断棒过程。

Komarek, A. & Lesaffre, E. (2008), CSDA, 52, 3441-3458，提出了参数扩展，用惩罚高斯混合分布代替广义线性混合模型中的正态分布。

其他一些人建议使用偏态正态分布作为正态分布的扩展。例如，参见 Hosseini, F.、Eidsvik, J. 和 Mohammadzadeh, M. (2011)。具有偏斜正态潜变量的空间广义线性混合模型中的近似贝叶斯推断，计算统计和数据分析，55，1791-1806。