可以使用一个非常简单的数据集（一个包含两列的表，两列包含相同值）展示多元相关性
CREATE TABLE t (a INT, b INT); INSERT INTO t SELECT i % 100, i % 100 FROM generate_series(1, 10000) s(i); ANALYZE t;
如 第 14.2 节 所述，计划程序可以使用从 pg_class 获得的页面数和行数确定 t 的基数
SELECT relpages, reltuples FROM pg_class WHERE relname = 't';
relpages | reltuples
----------+-----------
45 | 10000
数据分布非常简单；每列中只有 100 个不同的值，分布均匀。
以下示例显示了估计 a 列的 WHERE 条件的结果
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a = 1;
QUERY PLAN
-------------------------------------------------------------------------------
Seq Scan on t (cost=0.00..170.00 rows=100 width=8) (actual rows=100 loops=1)
Filter: (a = 1)
Rows Removed by Filter: 9900
计划程序检查条件并确定此子句的选择性为 1%。通过比较此估计值和实际行数，我们发现估计非常准确（实际上是准确的，因为表非常小）。更改 WHERE 条件以使用 b 列，将生成相同的计划。但是观察一下如果我们对两列应用相同条件，将它们与 AND 结合在一起会发生什么
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a = 1 AND b = 1;
QUERY PLAN
-----------------------------------------------------------------------------
Seq Scan on t (cost=0.00..195.00 rows=1 width=8) (actual rows=100 loops=1)
Filter: ((a = 1) AND (b = 1))
Rows Removed by Filter: 9900
计划程序分别估计每个条件的选择性，得出与上述相同的 1% 估计。然后，它假设条件是独立的，因此它会将选择性相乘，得出仅为 0.01% 的最终选择性估计。这是一个重大的低估，因为与条件匹配（100）的实际行数比预期值高两个数量级。
可以通过创建一个统计信息对象来解决此问题，该对象指示 ANALYZE 在两列上计算函数依赖多变量统计信息
CREATE STATISTICS stts (dependencies) ON a, b FROM t;
ANALYZE t;
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a = 1 AND b = 1;
QUERY PLAN
-------------------------------------------------------------------------------
Seq Scan on t (cost=0.00..195.00 rows=100 width=8) (actual rows=100 loops=1)
Filter: ((a = 1) AND (b = 1))
Rows Removed by Filter: 9900
对多列集合的基数进行估计时也会出现类似的问题，例如，GROUP BY 子句将生成的分组数。当 GROUP BY 列出单列时，n 不同估计（可见为 HashAggregate 节点返回的估计行数）非常准确
EXPLAIN (ANALYZE, TIMING OFF) SELECT COUNT(*) FROM t GROUP BY a;
QUERY PLAN
-----------------------------------------------------------------------------------------
HashAggregate (cost=195.00..196.00 rows=100 width=12) (actual rows=100 loops=1)
Group Key: a
-> Seq Scan on t (cost=0.00..145.00 rows=10000 width=4) (actual rows=10000 loops=1)
但在没有多变量统计信息的情况下，如以下示例所示，查询中 GROUP BY 中的两列的组数的估计值比预期值低一个数量级
EXPLAIN (ANALYZE, TIMING OFF) SELECT COUNT(*) FROM t GROUP BY a, b;
QUERY PLAN
--------------------------------------------------------------------------------------------
HashAggregate (cost=220.00..230.00 rows=1000 width=16) (actual rows=100 loops=1)
Group Key: a, b
-> Seq Scan on t (cost=0.00..145.00 rows=10000 width=8) (actual rows=10000 loops=1)
通过重新定义统计信息对象以包括两列的 n 不同计数，估计值得到了很大改善
DROP STATISTICS stts;
CREATE STATISTICS stts (dependencies, ndistinct) ON a, b FROM t;
ANALYZE t;
EXPLAIN (ANALYZE, TIMING OFF) SELECT COUNT(*) FROM t GROUP BY a, b;
QUERY PLAN
--------------------------------------------------------------------------------------------
HashAggregate (cost=220.00..221.00 rows=100 width=16) (actual rows=100 loops=1)
Group Key: a, b
-> Seq Scan on t (cost=0.00..145.00 rows=10000 width=8) (actual rows=10000 loops=1)
如 第 68.2.1 节 中所述，函数依赖是一种非常廉价且高效的统计信息类型，但其主要限制在于其全局性（仅跟踪列级别的依赖性，而不是单个列值之间的依赖性）。
本节将介绍MCV（最常见的值）列表是对 第 68.1 节 中描述的按列统计信息的一个直接扩展。这些统计信息通过存储各个值来解决限制问题，但当然在构建 ANALYZE 统计信息、存储和计划时间方面开销更大。
让我们再次查看 第 68.2.1 节 中的查询，但这次使用MCV在同一列集合上创建的列表（务必删除函数依赖项，以确保计划器使用新创建的统计信息）。
DROP STATISTICS stts;
CREATE STATISTICS stts2 (mcv) ON a, b FROM t;
ANALYZE t;
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a = 1 AND b = 1;
QUERY PLAN
-------------------------------------------------------------------------------
Seq Scan on t (cost=0.00..195.00 rows=100 width=8) (actual rows=100 loops=1)
Filter: ((a = 1) AND (b = 1))
Rows Removed by Filter: 9900
估计值与函数依赖项一样准确，这主要归功于表相当小，具有低数量的唯一值的简单分布。在查看函数依赖项没有特别好处理的第二个查询之前，让我们检查一下MCV列表。
可以利用 pg_mcv_list_items 返回结果的函数检查MCV列表
SELECT m.* FROM pg_statistic_ext join pg_statistic_ext_data on (oid = stxoid),
pg_mcv_list_items(stxdmcv) m WHERE stxname = 'stts2';
index | values | nulls | frequency | base_frequency
-------+----------+-------+-----------+----------------
0 | {0, 0} | {f,f} | 0.01 | 0.0001
1 | {1, 1} | {f,f} | 0.01 | 0.0001
...
49 | {49, 49} | {f,f} | 0.01 | 0.0001
50 | {50, 50} | {f,f} | 0.01 | 0.0001
...
97 | {97, 97} | {f,f} | 0.01 | 0.0001
98 | {98, 98} | {f,f} | 0.01 | 0.0001
99 | {99, 99} | {f,f} | 0.01 | 0.0001
(100 rows)
这确认在两列中存在 100 个不同的组合，并且所有组合都几乎一样可能（每个组合的频率为 1%）。基本频率是从按列统计信息计算得出的频率，就像没有多列统计信息一样。如果任一列中存在任何空值，则将在 nulls 列中标识该列。
在估计选择性时，计划器将所有条件应用于MCV列表中的项，然后对匹配项进行汇总。有关详细信息，请参见 src/backend/statistics/mcv.c 中的 mcv_clauselist_selectivity。
与函数依赖项相比，MCV列表有两个主要优点。首先，列表存储实际值，可以决定哪些组合是兼容的。
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a = 1 AND b = 10;
QUERY PLAN
---------------------------------------------------------------------------
Seq Scan on t (cost=0.00..195.00 rows=1 width=8) (actual rows=0 loops=1)
Filter: ((a = 1) AND (b = 10))
Rows Removed by Filter: 10000
其次，MCV列表可以处理更广泛的子句类型，而不仅仅是像函数依赖项那样的相等子句。例如，考虑针对同一表的以下范围查询
EXPLAIN (ANALYZE, TIMING OFF) SELECT * FROM t WHERE a <= 49 AND b > 49;
QUERY PLAN
---------------------------------------------------------------------------
Seq Scan on t (cost=0.00..195.00 rows=1 width=8) (actual rows=0 loops=1)
Filter: ((a <= 49) AND (b > 49))
Rows Removed by Filter: 10000