Ważne jest, aby zrozumieć obliczenie solidnych błędów standardowych w modelach gam w przypadku danych klastrowych . Konwencjonalne techniki, takie jak pakiet kanapki , są skuteczne dla GLM, ale pakiet mgcv wymaga różnych strategii. W celu zapewnienia wiarygodnego wnioskowania statystycznego w tym artykule analizuje różne rozwiązania, w tym szacowanie wariancji rozdzielania klastrów. Korzystanie z tych metod pomaga uniknąć wyciągania błędnych wniosków podczas badania statystyk zdrowia publicznego lub modeli ryzyka finansowego.