我是一名流行病学家，试图了解 GEE 以便正确分析队列研究（使用带有对数链接的泊松回归来估计相对风险）。我有一些关于“工作相关性”的问题，我希望有更博学的人来澄清：
(1) 如果我对同一个人进行了多次测量，通常假设一个可交换结构是最合理的吗？（或者如果测量显示趋势，则为自回归）？独立性怎么样 - 是否有任何情况下可以假设同一个人的测量独立性？
(2) 是否有任何（相当简单的）方法可以通过检查数据来评估适当的结构？
(3) 我注意到，在选择独立结构时，我得到的点估计值（但标准误差更低）与运行简单泊松回归（使用 R、函数glm()和geeglm()from package geepack）时相同。为什么会这样？我知道使用 GEE，您可以估计人口平均模型（与特定主题相反），因此您应该仅在线性回归情况下获得相同的点估计。
(4) 如果我的队列位于多个地点（但每个人进行一次测量），我应该选择独立的还是可交换的工作相关性，为什么？我的意思是，每个站点中的个人仍然相互独立，对吗？因此，例如，对于特定于主题的模型，我会将站点指定为随机效应。然而，对于 GEE，独立性和可交换性给出了不同的估计，我不确定哪一个在基本假设方面更好。
(5) GEE 能否处理 2 级层次聚类，即每个个体重复测量的多站点队列？如果是，我应该指定什么作为聚类变量，geeglm()如果假设第一级（站点）为“独立”，第二级（个人）为“可交换”或“自回归”，那么工作相关性应该是什么？
我知道这些问题很多，其中一些可能是相当基本的，但对我（也许还有其他新手？）来说仍然很难掌握。因此，非常感谢您的任何帮助，为了表明这一点，我开始了赏金活动。