Em modelos de regressão o objetivo é explicar a variabilidade de uma variável de interesse, chamada de variável resposta como função de outras variáveis que possivelmente possam ser influentes neste processo. Estas variáveis são os regressores (ou covariáveis). Neste trabalho focaremos exclusivamente em modelos de regressão linear, onde o valor esperado da variável resposta é uma função linear cuja matriz associada tem elementos dados pelos valores dos regressores. Como a mensuração da variável resposta é usualmente feita com erro, é necessário modelarmos probabilisticamente o mesmo. A modelagem usual é feita utilizando a distribuição normal, e existem inúmeros textos abordando esta metodologia, em vários aspectos, como estimação dos parâmetros envolvidos no modelo, testes de hipóteses e técnicas de diagnóstico (ou seja, técnicas para verificação da adequação do modelo). No entanto, em diversas situações práticas, é comum que o erro de mensuração, e consequentemente a variável resposta, não apresente uma distribuição de probabilidade com comportamento simétrico e também que apresente uma distribuição com caudas mais pesadas do que as da distribuição normal. O comportamento assimétrico é muito comum, por exemplo, em dados da área econômica, notadamente em países com desequilíbrio na distribuição de renda, como no caso do Brasil. Além disso, a suposição de normalidade não acomoda observações discrepantes, ou outliers, como são usualmente conhecidos. Isto justifica plenamente a proposta de substituir a suposição usual por uma mais flexível, modelando os erros por uma classe de distribuições que estenda a normal, que incorpore assimetria e caudas pesadas simultaneamente, possibilitando assim um tratamento mais adequado destas questões.
|
