Laura Lancaster ( LauraL@JMP ), PhD, JMP Desarrolladora principal de estadística de investigación, SAS
Chris Gotwalt, PhD, JMP Director de Investigación y Desarrollo Estadístico, SAS
Los componentes de varianza para los modelos de análisis de sistemas de medición (MSA) se estiman típicamente utilizando una de tres técnicas: el método de promedio y rango, cuadrados medios esperados (EMS) y máxima verosimilitud restringida (REML). Cada uno de estos métodos a menudo produce estimaciones de componentes de varianza negativos. Debido a que las estimaciones de componentes de varianza negativos no tienen sentido en estudios de MSA, estas estimaciones se establecen en cero. Las estimaciones de media posterior que utilizan priores no informativos estándar, como el prior de Jeffreys o un prior plano, generan componentes de varianza estrictamente positivos pero tienen errores cuadráticos medios inaceptablemente altos. Hemos generalizado un método alternativo de priores no informativos que fue desarrollado por Portnoy y Sahai en la década de 1970 a datos no balanceados y lo hemos aplicado a estudios de MSA. Explicaremos este método y mostraremos los resultados de experimentos de simulación que comparan la capacidad de este método para estimar componentes de varianza para modelos MSA típicos con REML.
