Cód. Trabalho: 4992 | Palavras-chave: Moda, Inversa gaussiana reparametrizada, Máxima verossimilhança, Sobrevivência, Simulação de Monte Carlo
Título: Avaliação dos Estimadores de Máxima Verossimilhança da Distribuição Inversa Gaussiana Reparametrizada na Moda
Autor(es): Jessica Hemily de Sá Gonçalves, Josmar Mazucheli
Resumo: A distribuição inversa gaussiana é uma distribuição de probabilidade unimodal, contínua, com suporte nos números reais positivos e pertencente à família exponencial. Devido ao seu suporte positivo, ela é frequentemente usada na análise de dados de sobrevivência. No contexto de regressão, dependendo dos parâmetros da função densidade de proba bilidade (fdp) da inversa gaussiana — e, consequentemente, da assimetria dos dados — modelar a média pode não ser a melhor escolha, uma vez que ela é sensível a valores aberrantes. Nesse sentido, uma alternativa intuitiva é modelar a moda, por sua facilidade de interpretação e maior estabilidade em relação aos valores extremos. Além disso, uma alternativa interessante para o segundo parâmetro é o parâmetro de dispersão, devido à sua interpretabilidade direta. Tal parametrização, proposta em Punzo (2019), é o objeto principal deste estudo, no qual foi desenvolvida uma rotina de modelagem considerando a distribuição inversa gaussiana parametrizada pela moda e pela dispersão e investigado o desempenho dos seus estimadores de máxima verossimilhança. Para isso, foi conduzida uma simulação de Monte Carlo, avaliando o viés (BIAS) e o erro quadrático médio (EQM) dos estimadores sob diversas condições. As condições simuladas incluem diferentes taman hos de amostra, variados níveis de dispersão dos dados e a presença de censura à direita, um fenômeno comum em dados de tempo de vida. Adicionalmente, cenários sem censura foram explorados para efeito comparativo, permitindo uma análise clara do impacto da censura na qualidade das estimativas. O objetivo é fornecer compreensão sobre a robustez e eficiência da metodologia proposta em diferentes contextos de dados.