Testes de hipóteses para componentes de variância utilizando estatísticas U

• Main Author: Juvencio Santos Nobre
• Other Authors: Julio da Motta Singer
• Language: Portuguese
• Published: Universidade de São Paulo 2007
• Subjects: Componentes de variância; estatística U; hipóteses não regulares; martingais.; modelos lineares mistos; linear mixed models; martingales.; nonstandard hypothesis; U-statistics; variance components
• Online Access: http://www.teses.usp.br/teses/disponiveis/45/45133/tde-17102007-195923/

Nós consideramos decomposições de estatísticas $U$ para obter testes para componentes de variância. As distribuições assintóticas das estatísticas de testes sob a hipótese nula são obtidas supondo apenas a existência do quarto momento do erro condicional e do segundo momento dos efeitos aleatórios. Isso permite sua utilização em uma classe bastante ampla de distribuições. Sob a suposição adicional de existência do quarto momento dos efeitos aleatórios, obtemos também a distribuição assintótica das estatísticas sob uma seqüência de hipóteses alternativas locais. Comparamos a eficiência dos testes propostos com aqueles dos testes clássicos, obtidos sob suposição de normalidade, por meio de estudos de simu-lação. Os testes propostos se mostram mais adequados nas situações em que a amostra é de tamanho moderado ou grande, independentemente da distribuição das fontes de variação, e nas situações em que existe fortes afastamentos da normalidade. === We consider decompositions of U-statistics to obtain tests for null variance components in linear mixed models. Their asymptotic distributions under the null hypothesis are obtained only assuming the existence of the first four moments of the conditional error distribution and the existence of the first two moments of the random effects distribution. Thus, the proposed U-tests may be employed in a large class of models. Under the additional assumption of the existence of the fourth moment of the distribution of the random effects, we also obtain the asymptotic distribution of the U-tests under a sequence of local hypothesis. We compare their efficiency with that of classical tests derived under the assumption of normality, through simulation studies. The proposed tests are more efficient in situations where the sample size is moderate or large, independently of the distribution of the sources of variation; they also perform better in situations where the underlying distributions are far from normal.