クラスター頑健な推論が失敗する場合

科学分野:

• 統計学
• 教育研究
• データ分析

背景:

• クラスター頑健標準誤差（CRSE）はネストされたデータで広く使用されていますが、第一種エラー率を維持できない場合があります。
• 特に教育データセットで一般的なクラスターサイズの不均衡により、問題が発生します。
• クラスターレベルの予測子を使用する場合、正確な統計的推論が重要です。

研究 の 目的:

• CRSEが第一種エラー率を維持できない条件を調査すること。
• 代替推定値と自由度（df）調整を評価すること。
• 連続および二値予測子を持つさまざまなCRSE手法のパフォーマンスを評価すること。

主な方法:

• モンテカルロシミュレーションを使用して、さまざまなシナリオをテストしました。
• 従来のCRSE（CR1）推定値を評価しました。
• 自由度調整を備えたバイアス削減線形化（CR2）およびジャックナイフ（CR3）推定値を評価しました。

主要な成果:

• CR2およびCR3推定値は、自由度調整とともに、一般的に第一種エラー率を維持する上で効果的でした。
• 実効クラスターサイズに基づく自由度と組み合わせた従来のCR1推定値も許容できました。
• パフォーマンスは、特定のデータ特性と予測子の種類によって異なりました。

結論:

• 代替CRSE推定値と自由度調整は、ネストされたデータにおける第一種エラー率の問題を効果的に対処できます。
• 信頼性の高い統計的推論のためには、クラスターサイズのバランスなどのデータセットの特性を慎重に考慮することが不可欠です。
• ネストされたデータ構造の正確な報告は、CRSEの適切な適用に不可欠です。