У мене є набір даних, що складається з серії щомісячних підрахунків справ "зламана палиця" з кількох сайтів. Я намагаюся отримати єдину підсумкову оцінку з двох різних методик:
Методика 1: Встановіть "зламану палицю" за допомогою Poisson GLM зі змінною індикатора 0/1 та за допомогою змінної часу та часу ^ 2 для контролю за тенденціями у часі. Оцінка індикаторної змінної 0/1 та SE об'єднані, використовуючи досить прямий метод "моментів" вгору або вниз, або використовуючи пакет tlnise в R, щоб отримати оцінку "Баєса". Це схоже на те, що роблять Пенг і Домінічі, якщо вони мають дані про забруднення повітря, але з меншою кількістю ділянок (~ десяток).
Техніка 2: Відмовитись від певного сайту-контролю для тенденцій у часі та використовувати лінійну змішану модель. Зокрема:
lmer(cases ~ indicator + (1+month+I(month^2) + offset(log(p)), family="poisson", data=data)
Моє запитання стосується стандартних помилок, які випливають із цих оцінок. Стандартна помилка Technique 1, яка фактично використовує щотижневий, а не щомісячний встановлений час, і, таким чином, повинна мати більш високу точність, має стандартну помилку за оцінкою ~ 0,206 для підходу методу моментів і ~ 0,306 для tlnise.
Метод lmer дає стандартну похибку ~ 0,09. Оцінки ефектів досить близькі, тому, схоже, вони не занулюються в різні зведені оцінки настільки, наскільки змішана модель набагато ефективніша.
Це щось розумне очікувати? Якщо так, то чому змішані моделі настільки ефективніші? Це загальне явище чи специфічний результат цієї моделі?