La plataforma Variability Chart es la única que ofrece la opción de obtener componentes de varianza bayesiana. Parece desalineado no tener la opción bayesiana disponible también en Fit Model. Recibo preguntas de los usuarios de mi empresa sobre cómo obtener resultados diferentes para el mismo análisis, pero usando una plataforma diferente porque cualquier componente de varianza negativa puede cambiar de REML a Bayesiano sin que se den cuenta cuando usan la plataforma Gráfico de variabilidad (aunque hay algunos texto con una explicación, no saben lo que significa y/o no prestan atención). Mi valor predeterminado es utilizar la plataforma Fit Model con componentes de varianza acotados para modelos de efectos aleatorios (existe una recomendación "suave" de JMP para hacer esto en la última sección de Modelos mixtos y modelos de efectos aleatorios ).
Si la opción bayesiana está disponible en el Gráfico de variabilidad, también me gustaría tener la flexibilidad de aprovecharla con una estructura de modelo más flexible en Ajustar modelo.
La gente de JMP ha realizado un buen trabajo para investigar la utilidad de la opción bayesiana (principalmente porque los componentes de la varianza negativa son realmente confusos para, bueno, todos). Aquí hay un enlace que analiza una aplicación de Análisis de sistemas de medición. Mi suposición es que estos principios pueden aplicarse a todos los modelos de efectos aleatorios en general.
Estimaciones estrictamente positivas de componentes de varianza para modelos de análisis de sistemas de medición
Si se desea obtener los componentes de varianza bayesianos para un conjunto de datos, la plataforma de calibración de varianza/atributo está restringida a solo 3 factores para modelos parcialmente anidados/cruzados. Fit Model actualmente no admite el cálculo de los componentes bayesianos. Tener esta opción en Fit Model permite la flexibilidad para modelos parcialmente anidados/cruzados más complejos.
