<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Laura Lancaster ( LauraL@JMP ), PhD, JMP Statisticien de recherche principal Développeur, SAS
Chris Gotwalt, PhD, directeur JMP de la recherche et du développement statistiques, SAS
Les composantes de variance pour les modèles d'analyse des systèmes de mesure (MSA) sont généralement estimées à l'aide de l'une des trois techniques suivantes : la méthode de la moyenne et de l'étendue, les carrés moyens attendus (EMS) et le maximum de vraisemblance restreint (REML). Chacune de ces méthodes produit souvent des estimations négatives des composantes de la variance. Étant donné que les estimations des composantes de variance négatives n’ont pas de sens dans les études MSA, ces estimations sont fixées à zéro. Les estimations moyennes a posteriori utilisant des priors non informatifs standards, tels que le prior de Jeffreys ou un prior plat, génèrent des composantes de variance strictement positives mais ont des erreurs quadratiques moyennes inacceptablement élevées. Nous avons généralisé une méthode alternative non informative antérieure développée par Portnoy et Sahai dans les années 1970 aux données déséquilibrées et avons appliqué cette méthode aux études MSA. Nous expliquerons cette méthode et montrerons les résultats d'expériences de simulation qui comparent la capacité de cette méthode à estimer les composantes de la variance pour les modèles MSA typiques avec REML.
