Correção de Bartlett em modelos com erros nas vari´aveis

Bartlett’s correction in measurement errors models

Autores

DOI:

https://doi.org/10.5902/2179460X83861

Palavras-chave:

Correção de Bartlett, Distribuição normal bivariada, Modelos com erros nas variáveis, Regressão com amostra pequena

Resumo

Neste trabalho, abordamos a realizac¸˜ao de testes em modelos de regress˜ao linear simples (MRLS) com erros nas vari´aveis, quando o tamanho da amostra ´e pequeno. Tais modelos s˜ao generalizaç˜oes dos modelos de regress˜ao clássicos e tem sido aplicados em v´arias ´areas como, por exemplo, na medicina e na química. A estat´ıstica da raz˜ao de verossimilhanças pode ser utilizada para realizar testes sobre os parˆametros desses modelos. No entanto, em amostras pequenas, a distribuic¸˜ao qui-quadrado n˜ao fornece uma boa aproximação para distribuic¸˜ao desta estatística, sob a hipotese nula. Assim, constru´ımos um fator de correc¸˜ao de Bartlett para o teste da raz˜ao de verossimilhanc¸as que reduz a distorc¸˜ao no tamanho do teste, visto que esta estat´ıstica modificada possui distribuic¸˜ao qui-quadrado at´e um erro de ordem o(n−1), onde n ´e o tamanho da amostra. Uma vantagem da metodologia empregada ´e que a express˜ao para a correc¸˜ao de Bartlett envolve somente operaç˜oes simples de matrizes e vetores. É apresentado um estudo de simulac¸˜ao com a comparação da estat´ıstica corrigida e n˜ao corrigida. Os resultados num´ericos favorecem o teste modificado. Para exemplificar a metodologia proposta, mostramos uma aplicação com dados reais. Adicionalmente, desenvolvemos uma rotina utilizando a linguagem R onde ´e poss´ıvel obter a estat´ıstica do teste da raz˜ao de verossimilhanc¸as corrigida por um fator de correc¸˜ao de Bartlett para o MRLS com erros nas vari´aveis.

Downloads

Não há dados estatísticos.

Biografia do Autor

Kaíque Ferreira Henrique de Souza, Universidade Federal de Goiás

Graduado em Estatística pela Universidade Federal de Goiás. Atualmente é desenvolvedor FullSack React e Node. 

Tatiane Ferreira do Nascimento Melo, Universidade Federal de Goiás

Possui graduação em Matemática pela Universidade Federal de Goiás (2002), mestrado em Estatística pela Universidade Federal de Pernambuco (2004), doutorado (2009) e pós-doutorado (2015) em Estatística pela Universidade de São Paulo. Atualmente é professora Associado III da Universidade Federal de Goiás. Tem experiência na área de Inferência Paramétrica, com ênfase em refinamento de métodos assintóticos e modelos de regressão. 

Eder Angelo Milani, Universidade Federal de Goiás

Possui graduação em Bacharelado em Matemática Aplicada e Computacional pela Universidade Estadual Paulista Júlio de Mesquita Filho (2008) e mestrado em Estatística pela Universidade Federal de São Carlos (2011) e doutorado em Estatística na Universidade Federal de São Carlos (2016). Tem experiência na área de Probabilidade e Estatística, atuando principalmente nos seguintes temas: análise de sobrevivência e séries temporais

Tiago Moreira Vargas, Universidade Federal de Goiás

Bacharel e Mestre em Matemática pela Universidade Federal de Goiás. Doutor em Estatística pelo Instituto de Matemática e Estatística da Universidade de São Paulo (USP - Capital). Foi professor adjunto da Faculdade de Matemática da Universidade Federal de Uberlândia (UFU) de 2013 a 2017. Desde 2017 é professor adjunto do Instituto de Matemática e Estatística da Universidade Federal de Goiás. A principal área de interesse é Refinamento de Métodos Assintóticos.

Referências

Aoki, R., Bolfarine, H., & Singer, J. M. (2001). Null intercept measurement error regression models. Test, 10(A):441–457.

Araújo, M. C., Cysneiros, A. H. M. A., & Montenegro, L. C. (2022). Bartlett and bartlett-type corrections in heteroscedastic symmetric nonlinear regression models. An Acad Bras Cienc, 21:1–15.

Aubin, E. C. Q. & Cordeiro, G. M. (2000). Bartlett-corrected tests for normal linear models when the error covariance matrix is nonscalar. Communications in Statistics – Theory and Methods, 29:2405–2426.

Barndorff-Nielsen, O. (1986). Inference on full or partial parameters, based on the standardized signed log likelihood ratio. Biometrika, 73:307–322.

Bartlett, M. S. (1937). Properties of sufficiency and statistical tests. Proceedings of the Royal Society of London A, 160:268–282.

Bartlett, M. S. (1947). Multivariate analysis. Journal of the Royal Statistical Society. Supplement, 9:179–197.

Bartlett, M. S. (1954). A note on the multiplying factors for various χ2 approximations. Journal of the Royal Statistical Society B, 16:296–298.

Bayer, F. M. & Cribari-Neto, F. (2013). Bartlett corrections in beta regression models. Journal of Statistical Planning and Inference, 143:531–547.

Chan, L. K. & Mak, T. K. (1979). On the maximum likelihood estimation of a linear structural relationship when the intercept is known. Journal of Multivariate Analysis, 9:304–313.

Cheng, C. L. & Van Ness, J. W. (1999). Statistical Regression with Measurement Error. Oxford University Press.

Cordeiro, G. M. (1993). General matrix formulae for computing bartlett corrections. Statistics and Probability Letters, 16:11–18.

Cordeiro, G. M. & Cribari-Neto, F. (1996). On bartlett and bartlett-type corrections. Econometric Reviews, 15:339–367.

Cordeiro, G. M. & Cribari-Neto, F. (2014). An Introduction to Bartlett Correction and Bias Reduction. Springer.

Fuller, W. A. (1987). Measurement Error Models. Wiley.

Kulathinal, S. B., Kuulasmaa, K., & Gasbarra, D. (2002). Estimation of an errors-invariables regression model when the variances of the measurement errors vary between the observations. Statistics in Medicine, 21:1089–1101.

Magalhães, T. M., Pereira, G. H. A., Botter, D. A., & Sandoval, M. C. (2024). Bartlett corrections for zero-adjusted generalized linear models. Statistical Papers, 65:2191–2209.

Melo, T. F. N., Vargas, T. M., Lemonte, A. J., & Moreno-Arenas, G. (2022). Higherorder asymptotic refinements in the multivariate dirichlet regression model. Communications in Statistics – Simulation and Computation, 51:53–71.

Melo, T. F. N., Vargas, T. M., Lemonte, A. J., & Patriota, A. G. (2024). Higherorder asymptotic refinements in a multivariate regression model with general parameterization. Journal of Statistical Computation and Simulation, 94(13):2952–2975.

Neyman, J. & Pearson, E. S. (1928). On the use and interpretation of certain test criteria for purposes of statistical inference. Biometrika, 20:175–240.

Noma, H., Nagashima, K., Maruo, K., Gosho, M., & Furukawa, T. A. (2018). Bartlett-type corrections and bootstrap adjustments of likelihood-based inference methods for network meta-analysis. Statistics in Medicine, 37:1178–1190.

R Development Core Team (2022). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria.

Riu, J. & Rius, F. X. (1996). Assessing the accuracy of analytical methods using linear regression with errors in both axes. Analytical Chemistry, 68:1851–1857.

Wong, M. Y. (1991). Bartlett adjustment to the likelihood ratio statistic for testing several slopes. Biometrika, 78:221–224.

Wong, O., Qiao, G., Di Loreto, A., Shi, X., & Wong, A. (2025). Bartlett-type correction for testing homogeneity of inverse gaussian means. Journal of Statistical Computation and Simulation, pages 1–20.

Zavala, A. A. Z., Bolfarine, H., & De Castro, M. (2007). Assessing the accuracy of analytical methods using linear regression with errors in both axes. Annals of the Institute of Statistical Mathematics, 59:515–530.

Downloads

Publicado

2026-09-25

Edição

Seção

Estatística