<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Laura Lancaster ( LauraL@JMP ), PhD, Desarrollador Estadístico de Investigación Principal de JMP, SAS
Chris Gotwalt, PhD, Director de Investigación y Desarrollo Estadístico de JMP, SAS
Los componentes de varianza para los modelos de análisis de sistemas de medición (MSA) generalmente se estiman utilizando una de tres técnicas: el método de promedio y rango, medias cuadráticas esperadas (EMS) y máxima verosimilitud restringida (REML). Cada uno de estos métodos a menudo produce estimaciones negativas de los componentes de la varianza. Debido a que las estimaciones de los componentes de la varianza negativa no tienen sentido en los estudios de MSA, estas estimaciones se fijan en cero. Las estimaciones de la media posterior que utilizan a priori estándar no informativos, como el a priori de Jeffreys o un a priori plano, generan componentes de varianza estrictamente positivos pero tienen errores cuadráticos medios inaceptablemente altos. Hemos generalizado un método previo no informativo alternativo desarrollado por Portnoy y Sahai en la década de 1970 para datos no balanceados y hemos aplicado este método a estudios de MSA. Explicaremos este método y mostraremos resultados de experimentos de simulación que comparan la capacidad de este método para estimar componentes de varianza para modelos típicos de MSA con REML.
