Comparação entre os estimadores de mínimos quadrados ordinários e mínimos desvios absolutos em modelos de regressão linear simples -: uma aplicação na energia na agricultura

• Ano de defesa: 2002
• Autor(a) principal: Silva, Márcia Aparecida Zanoli Meira e [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Minimos quadrados; Agricultura e energia; Regressão L1
• Link de acesso: http://hdl.handle.net/11449/101850

Em muitas situações práticas em Energia na Agricultura pode-se utilizar modelos de regressão linear simples com o objetivo de compreender determinados fenômenos de interesse. No entanto, apesar de sua aparente simplicidade, esses modelos possuem certas pressuposições que devem ser observadas pelo pesquisador, como por exemplo, a normalidade dos erros, cuja violação traz sérios problemas com relação à qualidade dos estimadores de mínimos quadrados obtidos, podendo comprometer as conclusões do estudo. Desse modo, os modelos de regressão L1 , que tem como base a minimização da soma dos desvios absolutos, surgem como uma alternativa viável, pois fornecem estimadores robustos com relação à normalidade. Neste estudo, inicialmente, foram feitas comparações empíricas (simulação de Monte Carlo) entre os estimadores de mínimos quadrados e mínimos desvios absolutos de modelos de regressão linear simples com distribuição Gama padronizada, considerando a variação do parâmetro de escala entre 0,2 e 2,2 com incremento de 0,4 e o parâmetro de forma variando de 0,25 a 9,75 com incremento de 0,5. Foram, também, considerados os tamanhos de amostra variando de 20 a 100 com incremento de 20, com 1000 replicações. Nestas comparações, observou-se que: a razão e a diferença de erros quadráticos médios além de poderem ser usados com critérios para comparação da qualidade de estimadores, não diferindo entre si, produzem resultados diferentes do critério usual da variância residual; o parâmetro (l) de escala do modelo Gama de probabilidade é responsável por diferenciar a qualidade dos estimadores: l£1 o estimador de mínimos quadrados produz menor erro quadrático médio, caso contrário, o melhor estimador é o de mínimos desvios absolutos. Posteriormente, como aplicação prática desta metodologia, foram ajustados modelos... .