Comment comparer plusieurs estimateurs du même paramètre?

Bonjour à tous!

J'ai trois estimateurs, qui mesurent tous peu ou prou le même caractère (un état de conservation) sur la base de méthodes différentes. Il faudrait que je les compare pour savoir s'ils sont fiables ou non, s'ils mesurent bien le même signal ou non.
Les tests de corrélation standard me donnent tous une corrélation ultra significative, ce qui est normal puisque les 3 estimateurs mesurent la même chose

Quelqu'un sur un forum anglophone m'a suggéré d'utiliser un "measurement error model" (je ne sais pas exactement à quoi cela correspond en français, désolé  ) intégré à une modélisation par équation structurelle.
Problème: je ne sais pas à quoi cela correspond, ni comment ça fonctionne.
Et l'implémenter dans R, encore moins

Pour ce que j'ai compris, il faudrait dans le principe "fixer" artificiellement une des trois variables et voir comment les autres se comportent par rapport à elle (dans mon cas, le candidat idéal serait la variable C, qui est moins sujette aux biais que les autres).

Est-ce que quelqu'un aurait l’amabilité de m'expliquer le fonctionnement de tout ceci ?
Et éventuellement de m'aider à l'appliquer ?

Merci d'avance

Hello,

Il ne faudrait pas faire une régression linéaire ?
Il existe une fonction régression linéaire dans Rcmdr
Statistiques>Ajustement de modèles > régression linéaire

Quant à la modélisation d'équations structurelle, j'en ai vaguement entendu parler mais je ne sais pas comment ça fonctionne.

VirginieIAE a écrit:Il ne faudrait pas faire une régression linéaire ?

Faire trois régressions, puis comparer les pentes entre elles pour voir lesquelles sont les plus fortes?
Pourquoi pas, mais comment faire pour savoir si les modèles sont statistiquement significatifs?
C'est que j'ai pas mal de dispersion sur mes données...



Et puis, est-ce qu'un modèle linéaire ne risque pas de me trouver une pente forte quoi qu'il arrive?

J'ai aussi essayé d'appliquer le coefficient de concordance de Lin, qui me donne les résultats suivants :
A vs B : 0.704
B vs C : 0.363
A vs C : 0.638