Avaliação de critérios de seleção em regressão GJS com dispersão variável: um estudo
de simulação.
Regressão GJS, critérios de seleção de modelos, dispersão variável, simulação
de Monte Carlo.
A seleção de modelos em regressão consiste na escolha de um subconjunto de
covariáveis relevantes a partir de um conjunto mais amplo de regressores candidatos,
buscando-se modelos parcimoniosos com boa qualidade de ajuste. Este trabalho tem como
objetivo investigar o desempenho de diferentes critérios de seleção de modelos na regressão
GJS (Generalized Johnson SB), proposta por Lemonte e Bazán (2016). O estudo adapta a
metodologia de Bayer (2011) — originalmente desenvolvida para a regressão beta com
dispersão variável — ao contexto da regressão GJS, em cenários com distintos graus e
estratégias de identificabilidade dos submodelos de mediana e dispersão. A avaliação é
realizada por meio de simulações de Monte Carlo, considerando amostras de tamanho finito e
diferentes distribuições geradoras da classe GJS. A estratégia de seleção de melhor
desempenho é também aplicada a dados reais, verificando-se o ajuste do modelo selecionado
por meio de ferramentas gráficas para análise de resíduos.