Detalhes bibliográficos
| Ano de defesa: |
2007 |
| Autor(a) principal: |
Monroy, Nataly Adriana Jimenez |
| Orientador(a): |
Cribari Neto, Francisco |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pernambuco
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/6302
|
Resumo: |
A classe de modelos de regressão beta é de grande utilidade em situações de modelagem onde o objetivo reside no estudo da relação entre uma variável de interesse que assume continuamente valores no intervalo (0, 1) e outras variáveis que afetam seu comportamento através de uma estrutura de regressão. A presente dissertação dedica-se a estudar aspectos computacionais inerentes à estimação pontual dos parâmetros do modelo de regressão beta proposto por Ferrari & Cribari-Neto (2004) através da avaliação de diferentes métodos de otimização não-linear que podem ser utilizados para maximizar numericamente a função de log-verossimilhança. Nós mostramos, através de simulações de Monte Carlo e de estimações com conjuntos de dados reais, que os métodos de otimização não-linear que usam informação relativa `a matriz hessiana, como é o caso dos métodos de Newton e BFGS, são os mais eficientes no que tange à maximização da função de log-verossimilhança do modelo de regressão beta. Isso ocorre devido à sua rapidez, precisão e robustez frente a perturbações comumente verificadas em situações práticas, tais como presença de pontos de alavanca e elevada correlação entre variáveis regressoras |
