Bootstrap ponderado : uma avaliação numérica

Abstract

Em modelos de regressão linear em que os erros são heteroscedásticos, a prática comum é utilizar o estimador de mínimos quadrados ordinários para a estimação dos parâmetros juntamente com um estimador consistente da matriz de covariâncias dessas estimativas que, em geral, é o estimador desenvolvido por White (1980) ou uma de suas variantes. Entretanto, estimadores da matriz de covariâncias baseados em esquemas de bootstrap têm-se mostrado boas alternativas aos estimadores tradicionais. Em especial o estimador desenvolvido por Cribari?Neto & Zarkos (2004), em que a probabilidade de seleção dos resíduos é ponderada pelo inverso do grau de alavancagem, apresenta desempenho superior aos estimadores consistentes tradicionais, principalmente em situações não-balanceadas em que há observações potencialmente influentes. Utilizando simulações de Monte Carlo, foi analisada neste trabalho a sensibilidade desse estimador a diferentes formas de reamostragem através da análise do comportamento de novos estimadores que utilizam outras probabilidades de seleção dos resíduos. Adicionalmente, investigou-se a sensibilidade da inferência baseada neste e em outros estimadores a situações de não-normalidade dos erros