Tôi thường xử lý dữ liệu trong đó nhiều cá nhân được đo nhiều lần trong mỗi 2 điều kiện trở lên. Gần đây tôi đã chơi với mô hình hiệu ứng hỗn hợp để đánh giá bằng chứng cho sự khác biệt giữa các điều kiện, mô hình hóa individual
như một hiệu ứng ngẫu nhiên. Để hình dung sự không chắc chắn về các dự đoán từ mô hình đó, tôi đã sử dụng bootstrapping, trong đó trên mỗi lần lặp của bootstrap cả cá nhân và quan sát trong điều kiện bên trong cá nhân đều được lấy mẫu thay thế và mô hình hiệu ứng hỗn hợp mới được tính từ dự đoán đó thu được. Điều này hoạt động tốt đối với dữ liệu giả định lỗi gaussian, nhưng khi dữ liệu là nhị thức, bootstrapping có thể mất một thời gian rất dài vì mỗi lần lặp phải tính toán một mô hình hiệu ứng hỗn hợp nhị thức tương đối tính toán.
Tôi nghĩ rằng tôi có thể sử dụng các phần dư từ mô hình ban đầu sau đó sử dụng các phần dư này thay vì dữ liệu thô trong bootstrapping, điều này sẽ cho phép tôi tính toán mô hình hiệu ứng hỗn hợp gaussian trên mỗi lần lặp của bootstrap. Việc thêm các dự đoán ban đầu từ mô hình nhị thức của dữ liệu thô vào các dự đoán đã được khởi động từ phần dư sẽ mang lại 95% CI cho các dự đoán ban đầu.
Tuy nhiên, gần đây tôi đã mã hóa một đánh giá đơn giản về phương pháp này, mô hình hóa không có sự khác biệt giữa hai điều kiện và tính toán tỷ lệ số lần khoảng tin cậy 95% không bao gồm 0 và tôi thấy rằng quy trình khởi động dựa trên phần dư ở trên mang lại khả năng chống khá mạnh khoảng thời gian bảo thủ (họ loại trừ không quá 5% thời gian). Hơn nữa, sau đó tôi đã mã hóa (cùng một liên kết như trước) một đánh giá tương tự về phương pháp này khi áp dụng cho dữ liệu ban đầu là gaussian và nó đã thu được các TCTD chống bảo thủ tương tự (mặc dù không cực đoan). Bất cứ ý tưởng tại sao điều này có thể được?