ฉันจะแยกความแตกต่างของการวิเคราะห์โดยใช้แบบจำลองกับข้อผิดพลาดมาตรฐานที่มีประสิทธิภาพโดยอ้างถึงหลังเป็น "GEEs" ซึ่งอันที่จริงแล้วเป็นคำจำกัดความที่แลกเปลี่ยนได้ นอกจากคำอธิบายที่ยอดเยี่ยมของ Scortchi:
GEEs สามารถเป็น "ลำเอียง" ในกลุ่มตัวอย่างขนาดเล็กเช่น 10-50 เรื่อง: (Lipsitz, Laird และ Harrington, 1990; Emrich และ Piedmonte, 1992; Sharples and Breslow, 1992; Lipsitz et al., 1994; Qu, Piedmonte และ Williams, 1994; Gunsolley, Getchell, และ Chinchilli, 1995; Sherman and le Cessie, 1997. ) เมื่อฉันบอกว่า GEEs มีความลำเอียงสิ่งที่ฉันหมายถึงคือการประมาณการข้อผิดพลาดมาตรฐานอาจเป็นไปได้ว่าอนุรักษ์นิยมหรือ anticonservative ขึ้นอยู่กับว่าค่าติดตั้งใดที่แสดงพฤติกรรมนี้และความสอดคล้องกับแนวโน้มโดยรวมของตัวแบบการถดถอย
โดยทั่วไปเมื่อมีการระบุโมเดลพารามิเตอร์อย่างถูกต้องคุณยังคงได้รับการประมาณการข้อผิดพลาดมาตรฐานที่ถูกต้องจาก CIs ตามรูปแบบ แต่จุดรวมทั้งหมดของการใช้ GEE คือการรองรับขนาดใหญ่มาก "ถ้า" GEEs อนุญาตให้นักสถิติเพียงระบุรูปแบบความน่าจะเป็นที่ใช้งานได้สำหรับข้อมูลและพารามิเตอร์ (แทนที่จะถูกตีความในกรอบพารามิเตอร์ที่เคร่งครัด) ถือเป็นประเภทของ "ตะแกรง" ที่สามารถสร้างค่าที่ทำซ้ำได้โดยไม่คำนึงถึงการสร้างข้อมูล กลไก. นี่คือหัวใจและจิตวิญญาณของการวิเคราะห์กึ่งพารามิเตอร์ซึ่ง GEE เป็นตัวอย่างของ
GEEs ยังจัดการกับแหล่งกำเนิดความแปรปรวนร่วมที่ไม่ได้วัดในข้อมูลแม้จะมีสเปคของเมทริกซ์สหสัมพันธ์อิสระ นี่เป็นเพราะการใช้เชิงประจักษ์มากกว่าเมทริกซ์ความแปรปรวนร่วมแบบจำลอง ตัวอย่างเช่นในการสร้างแบบจำลองปัวซองคุณอาจสนใจในอัตราการเจริญพันธุ์ของปลาแซลมอนที่สุ่มตัวอย่างจากสตรีมต่างๆ โอวาที่เก็บเกี่ยวจากปลาเพศเมียอาจมีการกระจายแบบปัวซอง แต่ความแปรปรวนทางพันธุกรรมที่ประกอบด้วยการถ่ายทอดทางพันธุกรรมและทรัพยากรที่มีอยู่ในลำธารเฉพาะอาจทำให้ปลาในลำธารเหล่านั้นคล้ายกันมากกว่าในลำธารอื่น GEE จะให้ค่าประมาณความคลาดเคลื่อนมาตรฐานของประชากรที่ถูกต้องตราบใดที่อัตราการสุ่มตัวอย่างสอดคล้องกับสัดส่วนประชากรของพวกเขา