<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Laura Lancaster ( LauraL@JMP ), PhD, sviluppatore principale di ricerca statistica JMP, SAS
Chris Gotwalt, PhD, Direttore della ricerca e sviluppo statistici JMP, SAS
I componenti della varianza per i modelli di analisi dei sistemi di misurazione (MSA) vengono generalmente stimati utilizzando una delle tre tecniche: il metodo della media e dell'intervallo, i valori quadratici attesi (EMS) e la massima verosimiglianza ristretta (REML). Ciascuno di questi metodi produce spesso stime negative dei componenti della varianza. Poiché le stime delle componenti negative della varianza non hanno senso negli studi MSA, queste stime sono impostate su zero. Le stime della media a posteriori che utilizzano valori a priori standard non informativi, come il valore a priori di Jeffreys o il valore a priori piatto, generano componenti di varianza strettamente positivi ma presentano errori quadratici medi inaccettabilmente elevati. Abbiamo generalizzato un metodo alternativo non informativo sviluppato da Portnoy e Sahai negli anni '70 a dati sbilanciati e abbiamo applicato questo metodo agli studi MSA. Spiegheremo questo metodo e mostreremo i risultati di esperimenti di simulazione che confrontano la capacità di questo metodo di stimare le componenti della varianza per i tipici modelli MSA con REML.
