Разница между маргинальной и условной моделями

Предельная модель учитывает корреляции внутри каждого кластера. Условная модель также учитывает корреляцию в пределах каждого кластера.

Мои вопросы:

1. Моделирует ли маргинальная модель основные эффекты в популяции, тогда как условная модель моделирует основные эффекты в кластере и в популяции?
2. Интерпретация коэффициентов маржинальной модели в основном такая же, как «регулярная модель». Но как насчет коэффициентов условной модели?

Да, интерпретации очень похожи на «обычные модели», и основное различие между ними заключается в том, сравниваете ли вы наблюдения в одном кластере или во всех кластерах.

В типичной условной модели - также известной как условно-заданная модель или смешанная модель - коэффициенты имеют специфичные для кластера интерпретации. Коэффициенты ковариаты - это мера различия среднего отклика в том же кластере при наблюдениях, для которых конкретные ковариаты отличаются на одну единицу, а все другие ковариаты идентичны. В зависимости от функции связи «мера разницы» может быть разницей, или логарифмическим коэффициентом, или логарифмическим коэффициентом шансов. Исключением является перехват, который не описывает разницу, а вместо этого дает средний отклик в наблюдениях, для которых все ковариаты и случайные эффекты равны нулю.

В маргинальной модели коэффициенты имеют усредненные по населению интерпретации. За исключением перехвата, коэффициенты описывают различия в среднем отклике, но теперь по всем наблюдениям (и, следовательно, по всем кластерам). Коэффициент ковариаты - это разность среднего отклика (или логарифмическое отношение средних значений и т. Д.) На единицу разницы в этом ковариате, в наблюдениях, для которых все другие ковариаты идентичны. Обратите внимание, что это определение не зависит от того, находятся ли сравнения в одном кластере или нет.