Przejrzałem kilka książek (Raudenbush i Bryk, Snijders i Bosker, Gelman & Hill itp.) Oraz kilka artykułów (Gelman, Jusko, Primo i Jacobsmeier itp.), I nadal nie zawinąłem głowy główne różnice między używaniem klastrowanych błędów standardowych i wielopoziomowego modelowania.
Rozumiem części, które muszą mieć do czynienia z pytaniem badawczym; istnieją pewne rodzaje odpowiedzi, które można uzyskać tylko dzięki modelowaniu wielopoziomowemu. Jednak na przykład w przypadku modelu dwupoziomowego, w którym współczynniki zainteresowania znajdują się tylko na drugim poziomie, jaka jest przewaga wykonywania jednej metody nad drugą? W tym przypadku nie martwię się o prognozowanie lub wyodrębnianie indywidualnych współczynników dla klastrów.
Główną różnicą, jaką udało mi się znaleźć, jest to, że standardowe błędy klastrowe cierpią, gdy klastry mają nierówne rozmiary próbek, a modelowanie wielopoziomowe jest słabe, ponieważ zakłada specyfikację losowego rozkładu współczynników (podczas gdy stosowanie klastrowanych błędów standardowych jest wolne od modelu) .
I w końcu, czy to wszystko oznacza, że w przypadku modeli, które mogłyby pozornie stosować dowolną metodę, powinniśmy otrzymywać podobne wyniki pod względem współczynników i błędów standardowych?
Wszelkie odpowiedzi lub pomocne zasoby byłyby bardzo mile widziane.