Obtención de diferentes errores estándar utilizando mplus y lmer en R

Question

Estoy ajustando el mismo modelo de efectos mixtos utilizando mplus y lmer en R . Como mplus utiliza el método de máxima verosimilitud con información completa (FIML), seleccioné REML=FALSE en el paquete lmer.

Estoy obteniendo las mismas estimaciones de puntos de dos modelos. Sin embargo, los errores estándar son diferentes.

Los resultados utilizando lmer pacakge

glm_mo=lmer(DEP ~ gender + (1| cluster), data=data_cmd_long, REML = FALSE)

Los resultados utilizando mplus

    MODEL RESULTS

                                                    Two-Tailed
                    Estimate       S.E.  Est./S.E.    P-Value

Within Level

 DEP        ON
    GENDER             0.088      0.015      5.973      0.000

 Residual Variances
    DEP                0.072      0.004     17.988      0.000

Between Level

 Means
    DEP                0.689      0.020     34.606      0.000

 Variances
    DEP                0.001      0.001      1.531      0.126

¿Cuál puede ser la razón que provoca los diferentes errores estándar?

Pensé que al definir REML=FALSE hacer que los resultados sean equivalentes utilizando dos enfoques.

Cualquier ayuda será muy apreciada.

Gracias.

Editar:

Este es mi código de entrada para mplus

Variable:
    names =  aid dep gender cluster ;
    usevariables = dep gender cluster ;
   within= gender; 
MISSING IS cluster (9999) dep (9999);

CLUSTER = cluster;

  Analysis: TYPE = TWOLEVEL random ;
  estimator = mlr;

Model:
        %WITHIN%
      dep on gender  ;
      %BETWEEN%
        dep;

Otra parte relacionada con la salida de mplus

Estimator                                                       ML
Information matrix                                        OBSERVED
Maximum number of iterations                                   100
Convergence criterion                                    0.100D-05
Maximum number of EM iterations                                500
Convergence criteria for the EM algorithm
  Loglikelihood change                                   0.100D-02
  Relative loglikelihood change                          0.100D-05
  Derivative                                             0.100D-03
Minimum variance                                         0.100D-03
Maximum number of steepest descent iterations                   20
Maximum number of iterations for H1                           2000
Convergence criterion for H1                             0.100D-03
Optimization algorithm                                         EMA

Resultados basados en la opción ML en mplus

MODEL RESULTS

                                                    Two-Tailed
                    Estimate       S.E.  Est./S.E.    P-Value

Within Level

 DEP        ON
    GENDER             0.088      0.014      6.083      0.000

 Residual Variances
    DEP                0.072      0.003     25.654      0.000

Between Level

 Means
    DEP                0.689      0.022     30.934      0.000

 Variances
    DEP                0.001      0.001      1.515      0.130

Answer 1

Es importante que se ajusten exactamente los mismos modelos, para obtener un resultado similar. Las cosas que hay que comprobar son:

• utilizar el mismo método de estimación, por ejemplo, máxima verosimilitud sin errores estándar robustos

• utilizan el mismo optimizador. Esto suele ser más un problema con los GLMM.

• utilizan los mismos valores de partida. De nuevo, esto es más relevante para los MLG, pero a veces también puede ser un problema para los MLP

• cuando faltan datos, un buen punto de partida es utilizar la eliminación de la lista antes de de la ejecución de cada modelo. Una vez que tenga un resultado similar, podrá decidir la forma adecuada de tratar la falta de datos.