Made available in DSpace on 2014-06-12T18:06:19Z (GMT). No. of bitstreams: 2 arquivo7260_1.pdf: 401929 bytes, checksum: 7ec81ac7441668b14404182e76dcee1c (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / Em modelos de regressão linear em que os erros são heteroscedásticos, a prática comum é utilizar o estimador de mínimos quadrados ordinários para a estimação dos parâmetros juntamente com um estimador consistente da matriz de covariâncias dessas estimativas que, em geral, é o estimador desenvolvido por White (1980) ou uma de suas variantes. Entretanto, estimadores da matriz de covariâncias baseados em esquemas de bootstrap têm-se mostrado boas alternativas aos estimadores tradicionais. Em especial o estimador desenvolvido por Cribari?Neto & Zarkos (2004), em que a probabilidade de seleção dos resíduos é ponderada pelo inverso do grau de alavancagem, apresenta desempenho superior aos estimadores consistentes tradicionais, principalmente em situações não-balanceadas em que há observações potencialmente influentes. Utilizando simulações de Monte Carlo, foi analisada neste trabalho a sensibilidade desse estimador a diferentes formas de reamostragem através da análise do comportamento de novos estimadores que utilizam outras probabilidades de seleção dos resíduos. Adicionalmente, investigou-se a sensibilidade da inferência baseada neste e em outros estimadores a situações de não-normalidade dos erros