Return to search

Correção de alta ordem de estimadores de máxima verossimilhança

Submitted by Danielle Karla Martins Silva (danielle.martins@ufpe.br) on 2015-03-12T14:08:56Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
tese_biblioteca.pdf: 1306560 bytes, checksum: a4f1323796c4496a50645b68fc10c450 (MD5) / Made available in DSpace on 2015-03-12T14:08:56Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
tese_biblioteca.pdf: 1306560 bytes, checksum: a4f1323796c4496a50645b68fc10c450 (MD5)
Previous issue date: 2013 / A técnica de estimação por máxima verossimilhança é uma das metodologias mais
utilizadas na área de Estatística. Em determinados modelos, esta técnica produz
um estimador viesado ou assintoticamente não-viesado. No último caso, a ordem
de magnitude dos vieses desses estimadores é em geral O(n−1) e seu desvio padrão
na ordem de O(n−1=2). Por esse motivo, esses vieses não são levados em conta em
amostras de tamanho grande. Porém, em pequenas amostras esse viés na estima-
ção pode ter um signi cado importante. Assim, o estudo sobre diminuir o viés
do estimador de máxima verossimilhança torna-se bastante relevante em diversas
áreas, tais como, medicina, farmácia, biologia, entre outras, que necessitam de
precisão e ao mesmo tempo trabalham com amostras pequenas.
Durante décadas, muitos artigos foram publicados na área de correção de viés,
utilizando diversos tipos de modelos e técnicas de estimação. Neste trabalho, propomos
uma técnica de correção de viés baseada em uma sequência de translações
da função escore, de forma que a primeira translação é exatamente a que David
Firth propôs, ver [18]. Para isso, usamos inicialmente a expansão de Taylor
do estimador de máxima verossimilhança para realizar a primeira translação, o
zero desta função transladada é o estimador θ∗
0, que é o estimador proposto por
Firth. Com a expansão de Taylor deste estimador, realizamos outra translação
na função escore já transladada, encontrando o estimador θ∗
1. Sob determinadas
condições de regularidade, o viés deste novo estimador tem ordem de magnitude
O(n−3). Repetindo esse processo k-vezes, obtemos um estimador cujo viés tem
ordem de magnitude O(n−k), para k = 1, 2, . . . . Realizamos várias simulações de
Monte Carlo em uma grande variedade de situações e de modelos estatísticos.
No caso uniparamétrico, comparamos o desempenho do estimador θ∗
1 com o estimador
de máxima verossimilhança bθ, com θ∗
0, com bθ1 visto na equação 2.18 e
com o estimador eθ2 proposto por Ferrari et al [17], que pode ser visto na equação
2.19. No caso biparamétrico, comparamos o estimador θ∗
1 com os estimadores bθ
e θ∗
2. Os resultados das simulações mostram que esses estimadores, cuja proposta
é de corrigir viés, são competitivos entre si, mas há uma leve superioridade dos
estimadores θ∗
1 e eθ2. No caso biparamétrico é mais evidente a superioridade do
estimador θ∗
1, para n pequeno.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/12153
Date31 January 2013
CreatorsOliveira Júnior, Waldemar Araújo de Santa Cruz
ContributorsVasconcellos, Klaus Leite Pinto
PublisherUniversidade Federal de Pernambuco
Source SetsIBICT Brazilian ETDs
LanguageBreton
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
RightsAttribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess

Page generated in 0.0022 seconds