A incorporação da incerteza devido à escolha de modelos na inferência estatística com aplicação em modelos de regressão linear

• Autor(a) principal: Candolo, Cecilia
• Data de Publicação: 2001
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://teses.usp.br/teses/disponiveis/11/11134/tde-20191220-113413/
• topic: INFERÊNCIA ESTATISTICA; MODELOS MATEMÁTICOS; REGRESSÃO LINEAR

Uma abordagem típica de análise estatística consiste em vários estágios: exploração descritiva do conjunto de dados, definição da classe de modelos a ser considerada, seleção do melhor modelo dentro desta classe de acordo com algum critério pré-estabelecido e obtenção de inferências baseadas no modelo selecionado. Este ciclo é geralmente iterativo e envolve, além da aplicação dos conceitos e técnicas estatísticas, também considerações subjetivas. A conclusão obtida ao final deste processo depende do(s) modelo(s) escolhido(s), sem levar em consideração a incerteza devida à escolha do(s) modelo(s), o que pode resultar na subestimação da variabilidade de quantidades de interesse e em inferências super-otimistas ou viciadas. Este trabalho considera o problema de como incorporar a incerteza devido à escolha do modelo na inferência estatística aplicando a abordagem de Buckland et al. (1997), que propuseram um estimador ponderado para um parâmetro comum a todos modelos em estudo, sendo que os pesos desta ponderação são obtidos a partir do uso de critérios de informação ou do método bootstrap. Esta abordagem é aplicada a modelos de regressão linear e comparada com o procedimento usual de escolha de um modelo, com ponderação Bayesiana de modelos e com o uso do método bootstrap. O estimador ponderado apresentou erro quadrático médio substancialmente reduzido nas situações em que os coeficientes da regressão são pouco significativos, e comportamento similar ao estimador obtido via ponderação Bayesiana de modelos e com o uso do método bootstrap