Modelos de regressão GJS longitudinais
Dados proporcionais longitudinais; Distribuição GJS; Modelos de Regressão GJS
longitudinais; Modelos para taxas e proporções; Modelos lineares generalizados mistos;
Estendemos a classe de modelos de regressão GJS que modelam variáveis contínuas
com suporte no intervalo (0, 1), para o caso de dados correlacionados, como aquelas
provenientes de estudos longitudinais ou de dados agrupados. O modelo proposto é baseado
na classe de modelos lineares generalizados mistos e as estimativas dos parâmetros são
obtidas com base no método da máxima verossimilhança (MV). A implementação
computacional combina a quadratura de Gauss-Hermite para obter a densidade marginal da
variável resposta e o algoritmo BFGS de otimização não-linear, implementado no pacote optim
do software computacional R. Foram realizadas simulações de Monte Carlo para verificar o
desempenho dos estimadores de MV dos parâmetros do modelo. Os resultados das
simulações sugerem que a abordagem da MV fornece estimadores não-enviesados e
consistentes para todos os parâmetros. A motivação para esta proposta é a ausência de uma
classe de modelos de regressão GJS para dados correlacionados e pelo fato de dados
longitudinais no intervalo (0, 1), geralmente, apresentarem assimetria. Desse modo, para
obter estimativas consistentes dos parâmetros são necessários métodos que sejam robustos
na presença de assimetria, como é o caso dos modelos de regressão GJS que modelam a
mediana da variável resposta. Adicionalmente, propomos o resíduo quantílico aleatorizado
para averiguar a qualidade do ajuste. Além disso, verificou-se a eficácia do resíduo proposto na
detecção de algumas formas de inadequação do modelo. Por fim, ilustramos a metodologia
desenvolvida por meio da aplicação a um conjunto de dados reais.