נתונים בממד גבוה (ultra-high dimensional data) הם נתונים שבהם מספר רב של משתנים נמדדים על כל יחידה (אובייקט נבדק); בדרך כלל הכוונה היא לנתונים שבהם מספר המשתנים גבוה בהרבה ממספר היחידות. ניתוח נתונים בממד גבוה הוא האתגר הנוכחי העיקרי של התיאוריה הסטטיסטית, במיוחד כשמספר הפרמטרים הלא ידועים גדול ממספר הנתונים. ניתוח כזה מצריך הנחות שניסוחן המדויק הינו האתגר. במחקרים אלו ניסינו שיטות כמו-בייסיאניות, אך ללא הנחות בייסיאניות רגילות; שיטות סטטיסטיות בייסיאניות, הנשענות על עבודתו של האנגלי תומס בייס במאה ה-18, מבוססות על שילוב הנתונים עם הנחותיו של החוקר על המודל הסטטיסטי לפני שראה (לכאורה) את הנתונים. הנתונים שבהם מדובר באו מתחום הבריאות (לדוגמה, הישרדות לאחר השתלת לב), משפט (עמדותיהם של שופטים בבתי משפט עליונים בעולם), כלכלה (שערי המרה לאורך זמן), ארכיאולוגיה (תזמון ממצאי ארכיאולוגים מתקופת המלוכה המאוחדת) וכו'. השיטות ששימשו אותנו הניחו, לדוגמה, שרוב הפרמטרים שווים (או קרובים בערכם) לאפס (ולכן רוב המשתנים המסבירים אינם משפיעים). נקטנו גם שיטות בייסיאניות אמפיריות, שבמסגרתן מנסים למצוא "מכנה משותף" להרבה מאוד תצפיות ולהשתמש בו לשם שיפור האומדן של הפרמטרים שעומדים מאחורי כל תצפית ותצפית. כך למשל אפשר להתייחס למגוון החלטות של בית המשפט (בין שזה בית המשפט העליון הישראלי, האמריקאי או ההודי, לדוגמה): כל החלטה נובעת מהרכב הפאנל המחליט ומאופיה של הסוגיה הנדונה, ואנחנו מנסים לראות איך האופי של הסוגיות משתנה מסוגיה לסוגיה ומהי העמדה הבסיסית של כל שופט ושופט כדי להבין את ההשפעה היחסית של שני גורמים אלה על ההחלטות.