Aunque no es la estructura de los datos, es posible que la variación en los valores basales de riesgo no varía sustancialmente suficiente entre los sujetos que causa un modelo sin una fragilidad plazo para formar buenos predicciones. Por supuesto, es perfectamente posible que un modelo con una fragilidad plazo podría funcionar mejor que el conjunto de azar bosque modelo.
Incluso si usted ha ejecutado un conjunto y el modelo jerárquico y el modelo agrupado hizo así o un poco mejor, usted todavía puede que desee utilizar el modelo jerárquico debido a que la varianza en la línea de base en el riesgo es muy probable que NO cero entre los sujetos, y el modelo jerárquico sería probablemente un mejor desempeño en el largo plazo en los datos que había en ninguna de sus pruebas o de conjuntos de entrenamiento.
Como un aparte, considerar si la validación cruzada de puntuación en el que están utilizando se alinea con los objetivos de su tarea de predicción, en primer lugar, antes de comparar los agrupan y los modelos jerárquicos. Si su objetivo es hacer predicciones sobre el mismo grupo de individuos como en su prueba/datos de entrenamiento, entonces la simple k veces o loo validación cruzada en la respuesta es suficiente. Pero si usted desea hacer predicciones acerca de los nuevos individuos, en su lugar usted debe hacer k veces validación cruzada de las muestras obtenidas en el nivel individual. En el primer caso que se anotó en sus predicciones sin tener en cuenta la estructura de los datos. En el segundo caso de la estimación de su capacidad para predecir el riesgo dentro de los individuos que no están en la muestra.
Por último, recuerde siempre que la CV es de por sí los datos de los dependientes, y sólo una estimación de su modelo predictivo de capacidades.
