আমি বেশ কয়েকটি বই (রাউডেনবুশ এবং ব্রিক, স্নিজ্ডার্স এবং বোকার, গেলম্যান অ্যান্ড হিল, ইত্যাদি) এবং বেশ কয়েকটি নিবন্ধ (গেলম্যান, জুসকো, প্রিমো এবং জ্যাকবস্মিয়র, ইত্যাদি) দিয়ে স্কিম করেছি এবং এখনও আমি আমার মাথাটি জড়িয়ে রাখিনি have ক্লাস্টার স্ট্যান্ডার্ড ত্রুটিগুলি আয়াতগুলি মাল্টিলেভেল মডেলিংয়ের মধ্যে প্রধান পার্থক্য।
হাতে থাকা গবেষণার প্রশ্নে যে অংশগুলি রয়েছে তা আমি বুঝতে পারি; নির্দিষ্ট ধরণের উত্তর রয়েছে যা আপনি কেবল মাল্টিলেভেল মডেলিং থেকে পেতে পারেন। তবে, উদাহরণস্বরূপ, একটি দ্বি-স্তরের মডেলের জন্য যেখানে আপনার আগ্রহের গুণাগুলি কেবল দ্বিতীয় স্তরে রয়েছে, অন্য পদ্ধতির চেয়ে একটি পদ্ধতি করার সুবিধা কী? এই ক্ষেত্রে, আমি পূর্বাভাস দেওয়ার জন্য বা ক্লাস্টারগুলির জন্য পৃথক সহগগুলি বের করার বিষয়ে উদ্বিগ্ন নই।
আমি যে মুখ্য পার্থক্যটি সন্ধান করতে পেরেছি তা হ'ল যখন ক্লাস্টারগুলিতে অসম নমুনার আকার থাকে এবং মাল্টিলেভেল মডেলিং দুর্বল হয় যেহেতু এটি এলোমেলো সহগ বন্টনের একটি স্পেসিফিকেশন ধরে নেয় (যেখানে ক্লাস্টার স্ট্যান্ডার্ড ত্রুটিগুলি মডেল-মুক্ত হয়) ।
এবং শেষ পর্যন্ত, এইগুলির অর্থ কি এই যে মডেলগুলির পক্ষে যে কোনও পদ্ধতি ব্যবহার করা যেতে পারে, আমাদের সহগ এবং স্ট্যান্ডার্ড ত্রুটির ক্ষেত্রে একই ফলাফল পাওয়া উচিত?
যে কোনও প্রতিক্রিয়া বা সহায়ক সংস্থানগুলি প্রশংসিত হবে।