Permítanme ampliar mi comentario anterior. Supongamos que su modelo de efectos mixtos es $$\boldsymbol y_i = \boldsymbol X_i \boldsymbol \beta + \boldsymbol Z_i \boldsymbol b_i + \boldsymbol \epsilon_i,$$ donde $i$ denota una agrupación $i$ , efectos aleatorios $\boldsymbol b_i \sim N(0,\boldsymbol D)$ . Sin pérdida de generalidad, supongamos que $\boldsymbol \epsilon_i \sim N(0,\sigma^2 \boldsymbol I)$ . Entonces la fórmula para calcular los efectos aleatorios es $$\hat{\boldsymbol b}_i=(\boldsymbol Z_i'\boldsymbol Z_i+\sigma^2 \boldsymbol D^{-1})^{-1}\boldsymbol Z_i'(\boldsymbol y_i - \boldsymbol X_i \boldsymbol \beta),$$ que se puede generalizar si se tiene una estructura más general para $\mathrm{var}(\boldsymbol \epsilon_i).$
Por lo que sé, podemos pensar que la estimación $\hat{\boldsymbol b}_i$ en al menos tres formas:
- la mejor predicción lineal insesgada ( BLUP ).
- la media/modo condicional de $\boldsymbol b_i | \boldsymbol y_i$ . Si utilizamos el algoritmo EM para la estimación, veremos el fórmula anterior en el paso E.
- el Bayes empírico ya que no especificamos una prioridad para $\boldsymbol b_i$ como en el análisis bayesiano completo. En algunos ámbitos, también se denomina "a posteriori esperado".