Hay un gran artículo en JASA a mediados de la década de 1970 sobre el estimador James-Stein y la estimación empírica de Bayes con una aplicación particular para predecir los promedios de bateo de los jugadores de béisbol. La idea que puedo dar sobre esto es el resultado de James y Stein, quienes mostraron para sorpresa del mundo estadístico que para una distribución normal multivariada en tres dimensiones o más, el MLE, que es el vector de los promedios de coordenadas, es inadmisible.
La prueba se logró al mostrar que un estimador que reduce el vector medio hacia el origen es uniformemente mejor en función del error cuadrado medio como una función de pérdida. Efron y Morris demostraron que en un problema de regresión multivariante utilizando un enfoque empírico de Bayes, los estimadores a los que llegan son estimadores de contracción del tipo James-Stein. Utilizan esta metodología para predecir los promedios de bateo de la temporada final de los jugadores de béisbol de las grandes ligas en función de los resultados de principios de temporada. La estimación mueve el promedio individual de todos al gran promedio de todos los jugadores.
Creo que esto explica cómo pueden surgir tales estimadores en modelos lineales multivariados. No lo conecta completamente a ningún modelo de efectos mixtos en particular, pero puede ser una buena guía en esa dirección.
Algunas referencias :
- B. Efron y C. Morris (1975), Análisis de datos utilizando el estimador de Stein y sus generalizaciones , J. Amer. Stat. Asoc. vol. 70, no. 350, 311–319.
- B. Efron y C. Morris (1973), la regla de estimación de Stein y sus competidores. Un enfoque empírico de Bayes , J. Amer. Stat. Asoc. vol. 68, no. 341, 117-130.
- B. Efron y C. Morris (1977), la paradoja de Stein en estadística , Scientific American , vol. 236, no. 5, 119-127.
- G. Casella (1985), Introducción al análisis de datos empíricos de Bayes , Amer. Estadístico , vol. 39, no. 2, 83-87.