Uso da regressão não linear quantílica na descrição de dados de crescimento

• Autor(a) principal: Silva, Pollyane Vieira da
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/11/11134/tde-10052022-155257/
• topic: Bovinos Hereford; Corn plants; Hereford cattle; Modelos não lineares; Nonlinear models; Plantas de milho; Quantile regression; Regressão quantílica

A regressão não linear quantílica é uma alternativa interessante para a regressão não linear usual, pois trata-se de uma abordagem mais flexível. Os modelos de regressão quantílica não exigem nenhuma distribuição de probabilidade para a variável resposta, além de possuir um estimador robusto fazendo com que a estimativa do vetor de parâmetros não seja sensível a outliers na variável resposta e mais eficiente que os estimador de mínimos quadrados quando os erros apresentam uma distribuição diferente da Normal. Neste trabalho, além da abordagem teórica sobre a regressão não linear quantílica, são apresentadas duas aplicações da metodologia, uma para dados de crescimento em altura de uma espécie vegetal e outra para dados de crescimento em peso de uma espécie animal, com o intuito de exemplificação da técnica de regressão não linear quantílica. O primeiro conjunto de dados é referente à altura de 58 plantas de milho ao longo de 122 dias de experimento. O segundo conjunto de dados trata-se do peso de 55 fêmeas da raça Hereford ao longo 615 dias. Ambos os conjuntos apresentaram respostas sigmodais, heterogeneidade de variâncias e observações correlacionadas. Para aplicação da técnica de regressão não linear quantílica, ajustaram-se os modelos não lineares: logístico, Gompertz e Chanter para os quantis: 0,1; 0,25; 0,5; 0,75 e 0,9 e avaliou-se a qualidade do ajuste dos modelos em cada um dos quantis em estudo. Para os dados de altura de milho, o modelo Chanter mostrou-se com melhor ajuste. Para os dados de peso dos bovinos da raça Hereford, o modelo sigmoidal duplo Chanter-Gompertz mostrou-se melhor, segundo o critério de informação de Akaike (AIC) e o desvio padrão residual (DPR).