Métodos de seleção de variáveis via verossimilhança penalizada

Abstract

Realizar seleção de variáveis é uma parte importante no processo encontrar a relação entre um conjunto de covariáveis e uma variável de interesse para modelos lineares encaixados. Existem diversos métodos e critérios que realizam a seleção de variáveis em duas etapas, sendo elas, a estimaçã o dos coeficientes β e depois a seleção. Mais recentemente métodos baseados em verossimilhança penalizada se propõem a realizar simultaneamente as duas etapas da seleção. Este trabalho se propõe estudar a estrutura verossimilhança penalizada, entender os métodos LASSO e Adaptive LASSO e comparar as abordagens, por meio de um estudo de simulação, dos métodos usuais, AIC e BIC, e dos métodos baseados em verossimilhança penalizada, LASSO e Adaptive LASSO sob a ótica de modelos lineares e modelos lineares generalizados. Foi possível observar que todos os métodos comparados são bons ao identificar as variáveis significativas tanto sob a ótica de modelos lineares e modelos lineares generalizados, que os métodos usuais realizam essa identificação com probabilidades maiores do que os baseados em verossimilhança penalizada quando há grande variabilidade. Verificou-se também que o AIC apresenta dificuldade ao identificar as variáveis não significativas, diferentemente dos métodos baseados em verossimilhança penalizada que conseguem estimar com precisão ideal mesmo em cenários de baixa variabilidade para modelos lineares e que o BIC se mostrou o melhor entre todos os métodos no contexto de modelos lineares generalizados