我认为这些链接可能会造成一些混乱。我相信关于“不适用于非线性模型”的陈述实际上是指广义线性混合模型（GLMM），例如当响应是二进制或计数时，或者通常在使用非高斯链接函数时；而不是非线性混合模型，例如可以拟合的模型，例如nlme逻辑增长模型我们将不再有线性预测器。GLMMs 仍然有一个线性预测器，但是很多关于 GLMMs 的文献都谈到它们是非线性模型，由于链接函数，而不是模型本身的函数形式。这不可避免地会导致一些混乱。$f(x)={\frac {L}{1+e^{-k(x-x_{0})}}}$

所以，通常关于 GEE 与混合模型的争论实际上是关于 GEE 与 GLMM。

GLMM 通常产生以随机效应为条件的估计，而 GEE 对随机效应进行平均以产生边际估计。两者之间的根本区别在于对（固定）效应的这种解释。GEE 产生人口平均效应，而 GLMM 产生受试者特定效应。

因此，当需要边际（总体平均）解释时，确实存在使用 GEE 而不是 GLMM 的论点。当相关结构被错误指定时，GEE 也很有用，因为标准误差是稳健的。另一方面，众所周知，GEE 需要更大的样本量，并且对于随机丢失的数据并不稳健，而 GLMM 通常是这样。最后，GLMMAdaptiveR 中的包可以产生边际估计和条件估计。

GEE 是一种渐近方法，其鲁棒性不如其推导结果。它在小样本中可能不准确，并且不会扩展到多层次的聚类。它假设丢失的数据完全随机丢失，并且对纵向研究中的非随机丢失不稳健。最后，GEE 引入了一种脱节的思维方式，因为不使用完全可能性意味着你不能做贝叶斯 GEE，你只能做常客 GEE。

有完全可能不是 GEE 的边际模型（即不以特定于主题的随机效应为条件的模型）。最古老的例子是增长曲线分析，现在称为广义最小二乘法。这假设具有参数相关结构的多元正态性，我在这里有一个完整的案例研究。但是这种方法不容易扩展到序数和二进制 Y。