Estudo sobre Modelos Aditivos Generalizados para Localização, Escala e Forma

Abstract

Os Modelos Aditivos Generalizados para Localização, Escala e Forma (GAMLSS) apresentam uma abordagem flexível de modelagem que permite estimar até quatro parâmetros da distribuição da variável resposta em função de variáveis preditoras. No entanto, o método de estimação usual, a Estimação de Máxima Verossimilhança Penalizada, pode ser sensível à presença de observações discrepantes, o que pode distorcer o ajuste do modelo e levar a inferências equivocadas. Diante disso, este trabalho buscou analisar o ajuste dos GAMLSS utilizando uma abordagem robusta, a Estimação de Máxima Verossimilhança Penalizada Robusta, e comparar seu desempenho com o método tradicional. A análise incluiu uma revisão da classe GAMLSS e de seus métodos inferenciais, clássico e robusto. Por fim, para ilustrar a capacidade do método robusto em atenuar o impacto de observações discrepantes, foram conduzidos estudos de simulação em dois cenários controlados com contaminação artificial, além de uma aplicação a um conjunto de dados reais. Os resultados demonstram que o método robusto apresenta melhor desempenho, assegurando maior estabilidade, consistência e confiabilidade na presença de observações atípicas, em contraste com o método clássico, que apresenta um viés pronunciado nas estimativas.