Hallo Micha,

ich habe Stück für Stück die Beispiele aus https://doi.org/10.1515/jag-2021-0043 mit JAG3D nachgerechnet und kann es soweit gut nachvollziehen. Nach den Ausführungen und Voraussetzungen im o. g. Artikel ist bei der Nutzung eines kombinierten, erweiterten stochastischen Modells (A und B-Anteile) und theoretischer Übertragung dessen (mit ${\sigma }_0=1$) auf die VCM bzw. $C_{xx}$ davon auszugehen, dass $s$ dann bestmöglich $u_c$ entspricht und die jeweiligen Varianzen dessen in der VCM stehen. Die berechneten Konfidenzgrößen entsprechen dann, abhängig vom gewählten $\alpha$, einem skalierten $U$.

Beim Nachrechnen habe ich mir die Skalierungsfaktoren zwischen $s$ und $a,b,c$ bzw. $u_c$ und $U_{a,b,c}$ angeschaut. Nach meinem Verständnis sollte der Faktor doch zwischen beiden Varianten bei gleichem $\alpha$-Niveau identisch bleiben? Ist er jedoch nicht, im erweiterten Modellfall ist der Skalierungsfaktor kleiner, warum?

Dieses Verhalten lässt sich auch bei anderen Praxis-Beispielen, die ich gerade versuche dahingehend zu optimieren, ebenso beobachten.

Den o. g. Faktor habe ich einfach manuell durch Division gebildet. Gibt es in JAG3D die Möglichkeit sich den Skalierungsfaktor bspw. für $C_{xx}$ abzuleiten, um so mit den skalierten Werten bspw. für eine Varianzfortpflanzung weiterzurechnen?

Anderer Sachverhalt, gleiches Thema:

Freie Netzausgleich eines Netzes im GMM, zweistufiges Vorgehen wie im o. g. Artikel ... die zu verwendeten Ergebnisse der Unbekannten und deren Qualitätswerte leiten sich aus dem erweiterten Modellfall ab. Anschließend erfolgt eine Punkteinschaltung, die einen stochastischen Anschluss erfordert.

Im üblichen Ansatz würde dann die geschätzte $s$ aus der Ursprungsmessung für die Anschlusspunkte zur Anwendung kommen. Um nach meinem Verständnis möglichst GUM-konform zu werden, würde dann abschließend $s$ bzw. $u_c$ aus dem erweiterten Modellansatz der Ursprungsmessung verwendet werden müssen.

Wie ist deine Meinung hierzu?

Vielen Dank und Grüße
Pierre