Les modèles mixtes linéaires généralisés multivariés (MGLMM) sont traditionnellement adoptés pour l’analyse conjointe de résultats non gaussiens disparates et corrélés. Cependant, les MGLMM conventionnels reposent sur l’hypothèse de résultats conditionnellement indépendants, compte tenu des effets aléatoires au niveau des sujets, principalement en raison d’un manque de distributions multivariées non gaussiennes flexibles. Nous adoptons le modèle mixte à copule gaussienne (GCMM), une généralisation des MGLMM à des contextes avec des résultats non gaussiens disparates, afin d’étudier l’impact sur l’analyse de l’ignorance incorrecte de la dépendance conditionnelle entre les résultats. Nous explorons empiriquement, par le biais de simulations, l’impact de cette mauvaise spécification du modèle sur la performance des estimations du maximum de vraisemblance à l’échelle de l’échantillon fini. Notre analyse de données non gaussiennes corrélées et hiérarchiquement dispersées provenant d’un essai sur les comètes illustre la flexibilité et la large applicabilité des GCMM et démontre les effets négatifs de l’ignorance de la dépendance conditionnelle entre les résultats.