<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Laura Lancaster ( LauraL@JMP ), PhD, JMP Principal Research Statistician Developer, SAS
Chris Gotwalt, PhD, JMP-Direktor für statistische Forschung und Entwicklung, SAS
Varianzkomponenten für Modelle der Messsystemanalyse (MSA) werden typischerweise mithilfe einer von drei Techniken geschätzt: der Durchschnitts- und Bereichsmethode, der erwarteten Mittelquadrate (EMS) und der eingeschränkten maximalen Wahrscheinlichkeit (REML). Jede dieser Methoden führt häufig zu Schätzungen negativer Varianzkomponenten. Da Schätzungen negativer Varianzkomponenten in MSA-Studien keinen Sinn ergeben, werden diese Schätzungen auf Null gesetzt. Posterior-Mittelwertschätzungen unter Verwendung standardmäßiger, nicht informativer Prior-Werte, wie z. B. Jeffreys-Prior oder ein flacher Prior, erzeugen streng positive Varianzkomponenten, weisen jedoch unannehmbar hohe mittlere quadratische Fehler auf. Wir haben eine alternative, nichtinformative frühere Methode, die von Portnoy und Sahai in den 1970er Jahren entwickelt wurde, auf unausgeglichene Daten verallgemeinert und diese Methode auf MSA-Studien angewendet. Wir erklären diese Methode und zeigen Ergebnisse von Simulationsexperimenten, die die Fähigkeit dieser Methode zur Schätzung von Varianzkomponenten für typische MSA-Modelle mit REML vergleichen.
