Regression
為什麼不總是使用廣義估計方程 (GEE) 而不是線性混合模型？
我在此處、此處和其他站點上閱讀了有關廣義估計方程 (GEE)的信息。
在上面的第一個鏈接中提到，對於線性模型，“參數估計幾乎相同”，但對於非線性模型則不然。
在大多數情況下，我們無法預測關係是否是線性的。那麼，為什麼不一直執行 GEE 而不是線性混合方法呢？
感謝您的洞察力。
我認為這些鏈接可能會造成一些混亂。我相信關於“不適用於非線性模型”的陳述實際上是指廣義線性混合模型（GLMM），例如當響應是二進製或計數時，或者通常在使用非高斯鏈接函數時；而不是非線性混合模型，例如可以擬合的模型，例如
nlme邏輯增長模型 $ f(x)={\frac {L}{1+e^{-k(x-x_{0})}}} $ 我們將不再有線性預測器。GLMMs 仍然有一個線性預測器，但是很多關於 GLMMs 的文獻都談到它們是非線性模型，由於鏈接函數，而不是模型本身的函數形式。這不可避免地會導致一些混亂。所以，通常關於 GEE 與混合模型的爭論實際上是關於 GEE 與 GLMM。
GLMM 通常產生以隨機效應為條件的估計，而 GEE 對隨機效應進行平均以產生邊際估計。兩者之間的根本區別在於對（固定）效應的這種解釋。GEE 產生人口平均效應，而 GLMM 產生受試者特定效應。
因此，當需要邊際（總體平均）解釋時，確實存在使用 GEE 而不是 GLMM 的論點。當相關結構被錯誤指定時，GEE 也很有用，因為標準誤差是穩健的。另一方面，眾所周知，GEE 需要更大的樣本量，並且對於隨機丟失的數據並不穩健，而 GLMM 通常是這樣。最後，
GLMMAdaptiveR 中的包可以產生邊際估計和條件估計。