Seleção de variáveis via Backward em Modelo Linear Normal Assimétrico

• Autor(a) principal: Dias, Bárbara da Costa Campos
• Data de Publicação: 2014
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFJF
• Texto Completo: https://repositorio.ufjf.br/jspui/handle/ufjf/12229
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA; distribuição normal assimétrica; critério de informação Akaike; seleção Backward; algoritmo EM; intervalo de predição; Skew-Normal Distribution; Akaike Information Criterion; Selection Backward; EM Algoritmo

Este trabalho tem por objetivo propor uma nova maneira de selecionar variáveis usando o método backward, via Critério de Informação Akaike (AIC), em um modelo de regressão linear com erros seguindo uma distribuição Normal Assimétrica. Investigaremos o efeito de multicolinearidade das variáveis explicativas e da falta de correlação da variável dependente com as variáveis explicativas no processo de ajuste do modelo final (parcimônia). O objetivo dessa investigação será verificar a qualidade do método de seleção proposto nesta monografia. Para tanto, serão investigadas quatro estratégias de seleção do modelo final. A primeira estratégia será investigar a qualidade do ajuste do modelo final sem utilizar nenhuma analise exploratória anterior a seleção de variáveis usando o método Backward, via AIC. Na segunda estratégia serão retirados os problemas de falta de correlação da variável dependente com as variáveis explicativas antes de utilizar o método de seleção. Já na terceira estratégia serão retirados os problemas de multicolinearidade das variáveis explicativas antes de utilizar o método estudado. E por último, na quarta estratégia serão retirados os dois problemas citados anteriormente antes da seleção. Este estudo de simulação será realizado para demonstrar a melhor estratégia de seleção do modelo. Por fim, a proposta desta monografia será aplicada a um conjunto de dados reais.