Análise bayesiana dos modelos de regressão linear com erros simétricos autorregressivos e dados incompletos

Abstract

Os modelos de regressão com erros autorregressivos considerando dados incompletos, isto é, quando a variável de interesse não está completamente disponível, seja pelo fato de ser censurada ou ausente, comumente denotada por missing data, tem se tornado um grande desafio para muitos pesquisadores. Existem técnicas de análise específicas para que a inferência com dados incompletos seja confiável, porém, apesar do crescente desenvolvimento de métodos nesta área, é recorrente encontrar o uso de inadequadas metodologias para a análise de dados incompletos. Uma suposição rotineira nestes tipos de modelos é considerar que as inovações seguem uma distribuição normal, no entanto, ao considerar a natureza sequencial dos dados analisados por este tipo de modelo, é conhecido que esta suposição pode não ser apropriada na presença de dados incompletos, assim este trabalho tem como objetivo principal apresentar uma abordagem Bayesi-ana dos modelos de regressão com erros autorregressivos, de ordem p, para dados incompletos (censurados ou missing data) supondo que as inovações seguem distribuições mais flexíveis, que possui como casos particulares as distribuições t de Student, slash, normal contaminada e normal.