Laura Lancaster ( LauraL@JMP ), PhD, statisticienne de recherche principale JMP, développeur, SAS
Chris Gotwalt, PhD, JMP Directeur de la recherche et du développement statistiques, SAS
Les composantes de la variance pour les modèles d'analyse des systèmes de mesure (MSA) sont généralement estimées à l'aide de trois techniques : la méthode des moyennes et étendues, les carrés moyens attendus (EMS) et le maximum de vraisemblance restreint (REML). Chacune de ces méthodes produit souvent des estimations de composantes de variance négatives. Comme ces estimations sont incohérentes dans les études MSA, elles sont fixées à zéro. Les estimations de moyennes a posteriori utilisant des priors non informatifs standard, tels que le prior de Jeffreys ou un prior plat, génèrent des composantes de variance strictement positives, mais présentent des erreurs quadratiques moyennes inacceptables. Nous avons généralisé une méthode a priori non informative alternative, développée par Portnoy et Sahai dans les années 1970, aux données non équilibrées et l'avons appliquée aux études MSA. Nous expliquerons cette méthode et présenterons les résultats d'expériences de simulation comparant sa capacité à estimer les composantes de variance pour des modèles MSA typiques avec le REML.
