Modelos Lineares Mistos Aplicados em Cincias Atuariais e

Luis Gustavo Bastos Pinho e Juvncio Santos Nobre e Departamento de Estat stica e Matemtica Aplicada - UFC a RESUMO: Muitos modelos utilizados em Estat stica so formulados com a base na indepndencia entre as observaoes. Porm nem sempre essa sue c e posio razovel, especialmente em estudos com medidas repetidas. Moca e a delos mistos apresentam uma maneira de modelar a dependncia entre obe servaes atravs da incluso de efeitos aleatrios. So denominados modeco e a o a los mistos aqueles que contm um ou mais efeitos aleatrios. Em Aturia e o a esses modelos vm sendo utilizados com crescente sucesso. Nesse trabalho e sero apresentadas algumas denies, exemplos, resultados e analisado um a co exemplo de aplicao em Cincias Atuariais. ca e Palavras-chave: Modelos lineares mistos, medidas repetidas, estudos longitudinais, Aturia. a

Introduo ca

Estudos com medidas repetidas so aqueles nos quais uma ou mais vaa riavis resposta so observadas por vrias vezes para cada unidade amostral. e a a Por unidade amostral entende-se cada elemento que compe o conjunto obo servado e sob o qual se deseja investigar algo. As medidas repetidas podem ser obtidas em condies diversas ou sob as mesmas condies. Quando as co co medidas so obtidas ao longo de uma escala ordenada (tempo, dosagem, a velocidade, etc) dado ao estudo o nome de estudo de dados longitudinais. e A utilizao de poucas unidades amostrais e a possibilidade de modelar ca o comportamento individual de cada unidade amostral so, entre outras, a vantagens dos estudos com medidas repetidas. Por outro lado, a utilizao ca de medidas repetidas insere novas diculdades aos processos de modelagem e estimao. Uma delas a poss ca e vel correlao existente entre medidas ca obtidas de uma mesma unidade amostral. Essa correlao, em geral, torna o ca processo de estimao mais complicado, pois necessrio estimar a estrutura ca e a de covarincia do modelo. a

Metodologia

Para estimar os parmetros dos poss a veis modelos a serem utilizados, geralmente so utilizados mtodos de mxima verossimilhana, e mtodos a e a c e iterativos so usados para maximizar a funo de verossimilhana. Entre a ca c esses mtodos iterativos podemos citar os de Newton-Raphson, algoritmo e EM, e Escores de Fisher. No caso de modelos lineares mistos mais simples, e ` poss obter estimadores para os parmetros de maneira descomplicada. A vel a medida que o modelo se torna mais geral o aux de pacotes computacionais lio mais necessrio. e a O modelo usado para a matriz de covarincia do modelo deve depender a da natureza dos dados e permitir como fonte de variao os erros aleatrios ca o e os efeitos aleatrios, pelo menos. Outra poss fonte de variao a coro vel ca e relao serial. O critrio de informao de Akaike (AIC) pode ser utilizado ca e ca para escolher a estrutura da matriz de covarincia mais adequada quando a houver mais de uma opo plaus ca vel. Aps obter estimativas para os parmetros dos modelos necessrio vao a e a lidar as suposies feitas. Isso, em geral, conseguido atravs da anlise de co e e a res duos. Para os modelos lineares mistos os res duos so observados para a vericar lineariedade, observaes discrepantes, observaes com alavancaco co gem alta, alm de outros eventos, como por exemplo a homocedasticidade e dos erros aleatrios e a independncia condicional das observaes, caso seja o e co especicado no modelo utilizado tais caracter sticas.

Modelos Lineares Mistos

A forma funcional do modelo a seguinte: e Yi = Xi + Zi bi +
i

i = 1, 2, 3 . . . , k

em que Yi um vetor (ni 1) com as observaes da i-sima unidade amose co e tral. Xi uma matriz (ni m), em que m o total de variveis explicativas e e a (regressores). um vetor m 1 com os coecientes de regresso, tambm e a e chamados de efeitos xos. Zi uma matriz de planejamento, tem dimenso e a ni p e posto completo e conhecida. bi tem dimenso p 1 e chamado e a e vetor de efeitos aleatrios, que sero usados para modelar a covarincia entre o a a medidas obtidas a partir de uma mesma unidade amostral. E nalmente i o vetor ni 1 de erros aleatrios. E assumido ainda que: e o 2

N (0, 2 Ini ) para todo i;

bi N (0, ) para todo i;

i

e bj so independentes para todo i e j; a

Existe uma maneira ainda mais concisa de representar modelos lineares mistos: Y = X + Zb +
k em que Y = (Y1 , Y2 , . . . , Yk ) , X = (X1 , X2 , . . . , Xk ) , Z = i=1 Zi , assumido que b e possum b = (b1 , b2 , . . . , bk ) e = ( 1 , 2 , . . . k ) . E e estruturas de covarincia respectivamente iguais a = Ik a e R = k 2 a i=1 Ri , com Ri = Ini . Ento:

Y N (X, ZZ + R) Y|b N (X + Zb, R) Conhecidas as matrizes de covarincia, e b so estimados por: a a = (X V1 X)1 X V1 Y b = Z V1 (Y X) Em que V = ZZ +R. As matrizes V,R e podem ser estimadas atravs e de mtodos de mxima verssimilhana e mxima verossimilhana restrita. e a c a c Esse processo ir envolver mtodos iterativos e pode ser conferido em mais a e detalhes em Searle(2001) e Demidenko(2004).

Discusso e Exemplos de Aplicao a ca

Foram apresentados na primeira parte do trabalho trs exemplos de dae dos com medidas repetidas e trs modelos foram ajustados aos dois primeiros e exemplos. Um exemplo traz dados sobre a taxa de juros para vendas de carros novos retirado de Tukey(1991). Para esses dados foi ajustado o modelo yij = i + ij , em que yij corresponde a j-sima observao na i-sima cidade, e ca e e em seguida foi ajustado o modelo de interceptos aleatrios yij = i +j+ ij o para o mesmo conjunto de dados. Para esses dois modelos foram calculados os estimadores dos parmetros sem aux de mtodos iterativos para a lio e demonstrar os processos de mxima verossimilhana e mxima verossimia c a lhana restrita. O segundo exemplo traz dados simulados para quantidade c 3

de vendas (Y) em funo do preo (X) e para ele foi ajustado o modelo ca c linear de coecientes aleatrios, yij = i + xij i + ij , j com aux o a lios computacionais para demonstrar a utilizao dos mtodos de estimao no caso ca e ca mais geral. Em seguida foi feita a anlise de res a duos dos modelos ajustados e mais um conjunto de dados atuariais foi examinado.

Consideraoes c

Modelos lineares mistos so uma tima alternativa para modelar a dea o pendncia entre observaes e o comportamento individual das unidades e co amostrais. Em Aturia a aplicao torna-se evidente devido a grande quana ca tidade de problemas prticos envolvendo dados agrupados ou com medidas a repetidas. E necessrio registrar que dentre os problemas em Aturia a a a suposio de distribuio normal dos erros nem sempre atendida. Alca ca e guns trabalhos mostram aplicaes de modelos lineares mistos e modelos co lineares mistos generalizados em Aturia, como exemplo podemos citar Ana tonio(2007) e Jong e Heller(2008). REFERENCIAS BIBLIOGRAFICAS Antonio, K. and Beirlant, J. (2007). Actuarial statistics with generalized linear mixed models. Insurance: Mathematics and Economics 40(1), 58-76. De Jong, P. and Gillian, G.Z. (2008). Generalized Linear Models for Insure Data. Cambridge University Press. Demidenko, E. (2004). Mixed models: theory and applications. John Wiley & Sons, New York. Hoaglin, D., Mosteller, F. and Tukey, J. (1991). Fundamentals of Explanatory Analysis of Variance. John Wiley & Sons, New York. McCulloch, C.E. and Searle S.R. (2001). Generalized, Linear and Mixed Models. John Wiley & Sons, New York.