MODELOS DE REGRESSÃO DISTRIBUCIONAL COM FUNÇÕES NÃO-LINEARES PARAMÉTRICAS
Regressão; GAMLSS; Verossimilhança; Algoritmo; Modelo não linear
A modelagem estatística tem como objetivo descrever a relação entre uma variável de interesse e um conjunto de variáveis explicativas. Os modelos lineares, embora amplamente utilizados, estão sujeitos a suposições restritivas que limitam sua aplicabilidade em situações práticas mais complexas. Progressivamente, os modelos não lineares, os modelos lineares generalizados, os modelos aditivos generalizados e os modelos aditivos generalizados para locação, escala e forma (GAMLSS) foram desenvolvidos para relaxar tais suposições, ampliando o escopo de aplicação dos métodos de regressão. A presente dissertação investiga os fundamentos teóricos e metodológicos dos GAMLSS com funções não lineares paramétricas, que combinam a flexi-bilidade distribucional dos GAMLSS com a capacidade de incorporar formas funcionais intrin-secamente não lineares nos parâmetros dos preditores. A estimação dessa classe de modelos é conduzida por otimização numérica direta do negativo do logaritmo da função de verossimilhança, uma vez que a não linearidade do preditor em relação aos coeficientes inviabiliza a aplicação dos algoritmos iterativos tradicionais. O trabalho detalha a estrutura do modelo, os algoritmos de estimação, as estratégias de otimização e os desafios teóricos e práticos associados, incluindo sensibilidade a valores iniciais, presença de máximos locais e correlação entre parâmetros de diferentes preditores.