W streszczeniu tego artykułu przeczytałem, że:
„Procedura maksymalnego prawdopodobieństwa (ML) Hartley aud Rao zostaje zmodyfikowana poprzez dostosowanie transformacji z Patterson i Thompson, która dzieli prawdopodobieństwo na normalność na dwie części, z których jedna jest wolna od ustalonych efektów. Maksymalizacja tej części daje tak zwane ograniczone maksymalne prawdopodobieństwo (REML) estymatory. ”
Przeczytałem również w streszczeniu tego artykułu, że REML:
„uwzględnia utratę stopni swobody wynikającą z oszacowania ustalonych efektów”.
Niestety nie mam dostępu do pełnego tekstu tych artykułów (i prawdopodobnie nie zrozumiałbym, gdybym to zrobił).
Jakie są zalety REML vs. ML? W jakich okolicznościach REML może być lepszy niż ML (lub odwrotnie) przy dopasowywaniu modelu efektów mieszanych? Podaj wyjaśnienie odpowiednie dla kogoś, kto ma wykształcenie matematyczne w szkole średniej (lub tuż po nim)!