Saya biasanya menangani data di mana beberapa individu masing-masing diukur beberapa kali dalam masing-masing 2 atau lebih kondisi. Saya baru-baru ini bermain dengan pemodelan efek campuran untuk mengevaluasi bukti perbedaan antara kondisi, pemodelan individualsebagai efek acak. Untuk memvisualisasikan ketidakpastian mengenai prediksi dari pemodelan seperti itu, saya telah menggunakan bootstrap, di mana pada setiap iterasi dari bootstrap baik individu dan pengamatan-dalam-kondisi-dalam-individu disampel dengan penggantian dan model efek campuran baru dihitung dari mana prediksi diperoleh. Ini berfungsi baik untuk data yang mengasumsikan kesalahan gaussian, tetapi ketika data bersifat binomial, bootstrap dapat memakan waktu yang sangat lama karena setiap iterasi harus menghitung model efek campuran binomial intensif yang relatif dapat dihitung.
Sebuah pemikiran yang saya miliki adalah bahwa saya mungkin dapat menggunakan residu dari model asli kemudian menggunakan residu ini alih-alih data mentah dalam bootstrap, yang akan memungkinkan saya untuk menghitung model efek campuran gaussian pada setiap iterasi bootstrap. Menambahkan prediksi asli dari model binomial data mentah ke prediksi bootstrap dari residu menghasilkan 95% CI untuk prediksi asli.
Namun, saya baru-baru ini mengkodekan evaluasi sederhana dari pendekatan ini, memodelkan tidak ada perbedaan antara dua kondisi dan menghitung proporsi kali interval kepercayaan 95% gagal untuk memasukkan nol, dan saya menemukan bahwa prosedur bootstrap berbasis residu di atas menghasilkan anti-anti yang sangat kuat. interval konservatif (mereka mengecualikan nol lebih dari 5% dari waktu). Lebih lanjut, saya kemudian memberi kode (tautan yang sama seperti sebelumnya) evaluasi yang serupa dari pendekatan ini sebagaimana diterapkan pada data yang awalnya gaussian, dan diperoleh juga CI anti-konservatif yang serupa (walaupun tidak ekstrem). Adakah yang tahu mengapa ini terjadi?