Search

Using the number of thrips found in the maize seedlings from a longitudinal study, in this work a regression analysis was conducted through polynomial models and nonlinear logistic, under the assumption of homoscedasticity and multiplicative heteroscedasticity of variances. The response variable represents the number of thrips in adult phase observed in an entirely randomized trial involving 4 ground cover systems (tumbled oat, desiccated oat, mowed oat and incorporated oat), 8 replications with portions of 57.6 m2 and evaluated at 7, 11, 16, 23 and 31 days after the seedlings emergence. The parameters from the adopted models (homoscedastic and heteroscedastic) were estimated by maximizing the logarithm of the verisimilitude function. The adjusted model, via maximum verisimilitude, under the assumption of heteroscedasticity of the variances, did not over estimate the true asymptotic average number of thrips.

Um dos problemas mais comuns em estatística consiste em testar a hipótese H0 : µ= µ0 versus a alternativa H1 : µ≠ µ0 , em que µ0 é algum valor específico do parâmetro µ. A partir de uma amostra aleatória, sob a suposição de que a mesma é proveniente de uma distribuição Normal com média µ e desvio padrão Σ, ambos desconhecidos, pode-se aplicar o bem conhecido teste t-Student. Como alternativa, sob a suposição de simetria da dis-tribuição dos dados, pode-se utilizar o teste não-paramétrico conhecido na literatura como tes-te de Wilcoxon (Conover, 1971). Neste artigo, é conduzido um estudo de simula-ção Monte-Carlo com o intuito de avaliar o tamanho e o poder dos testes t-Student e de Wilcoxon sob diferentes instâncias. Para o cálculo do tama-nho de ambos os testes, foram realizadas B = 100.000 simulações Monte-Carlo com 10 diferentes tamanhos de amostras, n = 10, 20, K , 90, 100. Cada uma das B = 100.000 amostras foram geradas das distribuições Normal, Laplace, Uniforme, t-Student e Logística sob a hipótese nula, sem perda de generalizades, com µ = 0. Para o cálculo do poder, novamente B = 100.000 amostras foram geradas sob a hipótese alternativa com µ0 = -1.0, -0.9, K , 0.9, 1.0

Um dos problemas mais comuns em estatística consiste em testar a hipótese H0 : m =m0 versus a alternativa H1 : m ¹m0 , em que m0 é algum valor específico do parâmetro m . A partir de uma amostra aleatória, sob a suposição de que a mesma é proveniente de uma distribuição Normal com média m e desvio padrão s , ambos desconhecidos, pode-se aplicar o bem conhecido teste t-Student. Como alternativa, sob a suposição de simetria da distribuição dos dados, pode-se utilizar o teste não-paramétrico conhecido na literatura como teste de Wilcoxon (Conover, 1971). Neste artigo, é conduzido um estudo de simulação Monte-Carlo com o intuito de avaliar o tamanho e o poder dos testes t-Student e de Wilcoxon sob diferentes instâncias. Para o cálculo do tamanho de ambos os testes, foram realizadas B = 100 .000 simulações Monte-Carlo com 10 diferentes tamanhos de amostras, n = 10, 20, ... , 90, 100. Cada uma das B = 100 .000 amostras foram geradas das distribuições Normal, Laplace, Uniforme,t-Student e Logística sob a hipótese nula, sem perda de generalizades, com m = 0. Para o cálculo do poder, novamente B = 100.000 amostras foram geradas sob a hipótese alternativa com 1.0, 0.9, ,0.9,1.0 0 m = - - K .A typical problem in statistics data analysis consists in testing a null hypothesis H0 : m =m0 versus an alternative H1 : m ¹m0 , where m0 is some specific value of the true parameter m . From a randomsample with normal distribution with mean m and variance s 2 , both unknown, we might use the well known t-student test. As an alternative to the usual t-student test, under the symmetric supposition, we can use the nonparametric Wilcoxon on test (Conover, 1971). In this paper, a Monte-Carlo simulation study was conducted to calculate the empirical size and power of the t-student and Wilcoxon tests. In this study, several instances were considered. For the size of both tests, we considered sample sizes equal to n=10,20,K,90,100 simulated from Normal, Laplace, Uniform, t-Student and Logistic distributions, under the null hypothesis with m = 0 . In the power study, from the same sample sizes and for all distributions, random samples were simulated from the alternative hypothesis consideringm 0 = -1.0,-0.9,K, 0.9,1.0 .

Diferente dos modelos de regressão lineares, em que a qualidade e principalmente a validade do ajuste são simplesmente avaliadas por meio de diagnósticos de regressão, no caso não linear, além de diagnósticos usuais, outros procedimentos devem ser seguidos. Esses procedimentos, particulares dos modelos de regressão não lineares, são úteis na avaliação da extensão do comportamento não-linear. Modelos não-lineares com comportamento distante do comportamento linear podem ter seus resultados assintóticos invalidados, principalmente em situações em que pequenas amostras são disponíveis. Considerando a importância de se avaliar a extensão do comportamento não-linear de modelos de regressão não-lineares, neste artigo são apresentadas as principais medidas de não-linearidade discutidas na literatura. Em particular, consideram-se as Medidas de Curvatura de Bates e Watts, a Medida de Vício de Box, Estudo de Simulação e Medidas de Assimetria.