聚类标准错误与多层次建模？

我浏览了几本书（Raudenbush和Bryk，Snijders和Bosker，Gelman和Hill等）和几篇文章（Gelman，Jusko，Primo和Jacobsmeier等），但我仍然没有真正地把头缠住使用聚类标准误差和多级建模之间的主要区别。

我了解手头上与研究问题有关的部分；您只能从多层建模中获得某些类型的答案。但是，例如，对于您的兴趣系数仅处于第二级的两级模型，采用一种方法相对于另一种方法有什么优势？在这种情况下，我不必担心进行预测或提取聚类的各个系数。

我已经发现的主要区别是，当聚类具有不相等的样本大小时，聚类标准误差会受到影响，并且多级建模的弱点在于它假定了随机系数分布的规格（而使用聚类标准误差是无模型的） 。

最后，是否所有这些都意味着对于表面上可以使用这两种方法的模型，我们应该在系数和标准误差方面得到相似的结果吗？

任何答复或有用的资源将不胜感激。

这篇文章基于可能针对我的数据的个人经验，因此我不确定它是否可以作为答案。

我建议尽可能使用模拟来评估哪种方法最适合您的数据。我这样做了，很惊讶地发现基于多级建模的测试（关于第一级的参数）的性能优于任何其他方法（从功耗角度来看），即使在样本量很少且大小不均的小样本中也能保持大小。我尚未找到能说明这一点的论文，而且从我的角度来看，这并不是一个小众话题，值得更多关注。我认为，相对于有限样本还是很少/不均匀的聚类，不同的方法进行比较的研究还比较少。