مطالعه کمی عدم قطعیت معکوس اطلاعات داده های تجربی را به عقب منتشر می کند تا اطلاعات بیشتری در مورد پارامترهای کالیبراسیون به دست آورد. توزیع خلفی پارامترهای کالیبراسیون را محاسبه می کند که به بهترین وجه توزیع آنها را بر اساس داده های تجربی و دانش قبلی از پارامترهای کالیبراسیون منعکس می کند. روش مونت کارلو زنجیره مارکوف (MCMC) برای تولید نمونه از توزیع خلفی پارامترهای کالیبراسیون استفاده می شود.
تنظیمات برای پارامترهای ورودی، پارامترهای تحلیل مونت کارلو مبتنی بر جایگزین، و پارامترهای تأیید مدل جایگزین اکنون از ستون‌های داده از جداول نتایج به عنوان منبع داده پشتیبانی می‌کنند. آنها همچنین از ترکیب مقادیر مشخص شده و ستون های داده با توزیع های احتمال تحلیلی به عنوان منبع داده پشتیبانی می کنند. تنظیمات برای پارامترهای تحلیل مونت کارلو مبتنی بر جانشین از مقادیر اسمی به عنوان منبع داده پشتیبانی می کند.
