Resumen de Generalización en Diseños Observacionales: alternativas de estimación y modelización

Angel Blanco Villaseñor, José Luis Losada López

• español

  Los procedimientos habituales de estimación de componentes de variancia (LS) no son válidos en muchas esnucturas de diseño multifaceta, en las que alguna de ellas es considerada como faceta fija. La solución propuesta es la estimación mediante máxima verosimilitud (ML). No es una decisión fácil seleccionar entre ML y REML, ya que ambos tienen ventajas a su favor. Si aplicamos REML a datos balanceados obtenemos resultados idénticos a las estimaciones del AV AR, pero no proporciona estimaciones de los factores fijos. Por su parte, al aplicar las estimaciones de ML a datos balanceados no obtenemos resultados idénticos a los de AV AR; pero ML proporciona estimaciones de máxima verosimilitud de los factores fijos, los que, obviamente, serán BAN. En los diseños observacionales los datos suelen ser no-balanceados, con muchas observaciones, frecuentemente miles, y con muchos niveles de facetas, en ocasiones cientos; con lo que se fortalecen las propiedades asintóticas de ML, tanto para las estimaciones de los efectos fijos como de los aleatorios.

• English

  Models of variance components are linear models that incorporate random terms, which generate a variance and covartance matrix with a known structure but with unknown parametric values, the estimations of which are used in observational methódology. When data are obtained from samples or unbalanced designs, problems occur resulting in differences in estimation criteria, and in the use of different algorithms when the solution is not closed. Depending on the estimation crtteria and the algorithm that is used, it is possible to obtain different solutions. The Maximum Llkelihood Method (ML), that calculates the estimations of maximw:n likelihood of the vartance components, and employs the results of MIVQUEO as values of the first iteration; the Restricted Maximum Llkelihood Method (REML), which first separares the likelihood in two parts, one contéiining the fixed effects and the other the random effects, utilizes algorithms similar to those of ML. The RANDOM statement of the MIXED procedure incorporares the random effects into the rnodel which constitute the vector of these same effects in the mixed model.