我有一个数据集，其中包含来自少数几个站点的一系列“断棒”月度病例数。我试图从两种不同的技术中得到一个单一的总结估计：

技术 1：使用具有 0/1 指标变量的 Poisson GLM 拟合“断棒”，并使用时间和时间^2 变量来控制时间趋势。该 0/1 指示变量的估计值和 SE 使用非常直接的矩量技术上下方法进行合并，或者使用 R 中的 tlnise 包来获得“贝叶斯”估计值。这与 Peng 和 Dominici 对空气污染数据所做的类似，但站点较少（大约十几个）。

技术 2：放弃一些针对时间趋势的特定于站点的控制，并使用线性混合模型。特别：

lmer(cases ~ indicator + (1+month+I(month^2) + offset(log(p)), family="poisson", data=data)

我的问题涉及来自这些估计的标准误差。技术 1 的标准误差实际上是使用每周而不是每月的时间设置，因此应该具有更高的精度，对于矩量法的估计标准误差约为 0.206，对于 tlnise 的估计标准误差约为 0.306。

lmer 方法给出的标准误差约为 0.09。效果估计值相当接近，因此它们似乎并不只是将不同的汇总估计归零，因为混合模型的效率要高得多。

这是合理的预期吗？如果是这样，为什么混合模型效率更高？这是普遍现象，还是该模型的特定结果？