Laura Lancaster ( LauraL@JMP ), PhD, JMP Principal Research Statistician Developer, SAS
Chris Gotwalt, PhD, JMP Direttore della ricerca statistica e dello sviluppo, SAS
I componenti di varianza per i modelli di analisi dei sistemi di misurazione (MSA) sono in genere stimati utilizzando una delle tre tecniche: il metodo della media e dell'intervallo, i quadrati delle medie attese (EMS) e la massima verosimiglianza ristretta (REML). Ognuno di questi metodi produce spesso stime negative dei componenti di varianza. Poiché le stime negative dei componenti di varianza non hanno senso negli studi MSA, queste stime sono impostate su zero. Le stime della media a posteriori che utilizzano valori a priori non informativi standard, come il valore a priori di Jeffreys o un valore a priori piatto, generano componenti di varianza strettamente positive ma hanno errori quadratici medi inaccettabilmente elevati. Abbiamo generalizzato un metodo alternativo non informativo a priori sviluppato da Portnoy e Sahai negli anni '70 ai dati non bilanciati e abbiamo applicato questo metodo agli studi MSA. Spiegheremo questo metodo e mostreremo i risultati degli esperimenti di simulazione che confrontano la capacità di questo metodo di stimare i componenti di varianza per i tipici modelli MSA con REML.
