Teste do tipo escore para componentes de variância em modelos elípticos lineares mistos

• Ano de defesa: 2005
• Autor(a) principal: Redígolo, Carine Savalli
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise Multivariada; Inferência Estatística; Pesquisa E Planejamento Estatístico
• Link de acesso: https://teses.usp.br/teses/disponiveis/45/45133/tde-20210729-205950/

O objetivo deste trabalho é discutir a aplicação do modelo elíptico linear misto para dados com medidas repetidas na presença de observações aberrantes. A classe das distribuições elípticas inclui várias distribuições simétricas contínuas como, por exemplo, a normal e a t-Student. Essas distribuições podem apresentar caudas mais leves do que as da normal ou mais pesadas, e este último caso apresenta-se como uma boa alternativa para tratar dados com observaçòes aberrantes. Mostramos o processo de estimação dos parâmetros fixos e componentes de variância para o modelo elíptico linear misto, bem como para os efeitos aleatórios. Aspectos relacionados ao ajuste do modelo também são discutidos através do estudo dos resíduos condicionais padronizados e de pontos de alavanca. Maior ênfase é dada ao problema de testar hipóteses acerca dos componentes de variância da matriz de variância-covariância, já que estes se encontram na fronteira do espaço paramétrico. Para tanto, propomos utilizar a estatística do tipo escore, apresentada inicialmente por Silvapulle e Silvapulle (1995), e posteriormente, aplicada por Verbeke e Molenberghs (2003) no contexto de testes de componentes de variância para o caso nromal. Finalmente, para comparar o poder da estatística do tipo escore com a estatística da razão de verossimilhanças para testar componentes de variância, apresentamos os resultados de uma simulação, assumindo a distribuição t-Student. os resultados indicam que a estatística do tipo escore, além de ser mais simples de calcular, uma vez que exige a estimação do modelo somente sob a hipótese nula, também é mais poderosa para amostras pequenas e moderadas.