मैं बाद में "जीईई" के रूप में संदर्भित करके मॉडल के आधार पर मजबूत मानक त्रुटियों का उपयोग करके विश्लेषण करता हूं, जो वास्तव में एक विनिमेय परिभाषा है। Scortchi की शानदार व्याख्या के अलावा:
GEEs छोटे नमूनों में "पक्षपाती" हो सकते हैं, यानी 10-50 विषय: (लिप्सिट्ज, लेयर्ड, और हैरिंगटन, 1990; एमरिक और पीडमॉंट, 1992; शार्प्स एंड ब्रेस्लो, 1992; लिप्सित् स) अल-1994; 1994; क्विड, पिडमॉनेट, और। विलियम्स, 1994; गनसोलली, गेटेकेल, और चिंचिल्ली, 1995; शर्मन और ले सेसी, 1997.) जब मैं कहता हूं कि जीईई पक्षपाती हैं तो मेरा मतलब है कि मानक त्रुटि का अनुमान छोटे या शून्य सेल काउंट के कारण रूढ़िवादी या एंटीकोन्सर्वेटिव हो सकता है। , इस पर निर्भर करता है कि कौन से फिट किए गए मूल्य इस व्यवहार को प्रदर्शित करते हैं और वे प्रतिगमन मॉडल के समग्र रुझान के साथ कितने सुसंगत हैं।
सामान्य तौर पर, जब पैरामीट्रिक मॉडल सही ढंग से निर्दिष्ट किया जाता है, तब भी आपको मॉडल आधारित CI से सही मानक त्रुटि अनुमान मिलते हैं, लेकिन GEE का उपयोग करने का पूरा बिंदु उस बहुत बड़े "यदि" को समायोजित करना है। GEEs सांख्यिकीविद को केवल डेटा के लिए काम करने की संभावना मॉडल को निर्दिष्ट करने की अनुमति देते हैं, और मापदंडों (कड़ाई से पैरामीट्रिक ढांचे में व्याख्या किए जाने के बजाय) को "छलनी" का एक प्रकार माना जाता है जो अंतर्निहित, अज्ञात डेटा उत्पन्न करने के बावजूद प्रतिलिपि प्रस्तुत करने योग्य मान उत्पन्न कर सकता है। तंत्र। यह अर्ध-पैरामीट्रिक विश्लेषण का दिल और आत्मा है, जिसका एक जीईई एक उदाहरण है।
GEEs डेटा में सहसंबंध के अनमोल स्रोतों को भी संभालते हैं, यहां तक कि एक स्वतंत्र सहसंबंध मैट्रिक्स के विनिर्देश के साथ। यह मॉडल आधारित सहसंयोजक मैट्रिक्स के बजाय अनुभवजन्य के उपयोग के कारण है। उदाहरण के लिए, पॉइसन मॉडलिंग में, आपको विभिन्न धाराओं से प्राप्त सामन की प्रजनन दर में रुचि हो सकती है। मादा मछली से काटे गए ओवा में एक अंतर्निहित पॉइज़न वितरण हो सकता है, लेकिन आनुवांशिक भिन्नता जो विशिष्ट धाराओं में साझा आनुवांशिकता और उपलब्ध संसाधनों से युक्त होती है, अन्य धाराओं की तुलना में उन धाराओं के भीतर मछली बना सकती है। जीईई सही जनसंख्या मानक त्रुटि अनुमान देगा, जब तक कि नमूना दर उनकी जनसंख्या के अनुपात के अनुरूप हो (या अन्य तरीकों से निर्धारित है)।