Critérios de informação: como eles se comportam em diferentes modelos

Um fenômeno pode ser explicado através de modelos, sendo estes destinados a ilustrar certos aspectos do problema, sem contudo, representar todos os detalhes havendo portanto perda de informação. Para não comprometer o entendimento do fenômeno em estudo, esta perda deve ser mínima. Não raro, mais de um modelo pode descrever um mesmo fenômeno, haja vista que não há uma única metodologia a ser seguida. Desse modo, ao se deparar com dois (ou mais modelos) é natural questionarmos: Dentre estes modelos qual é o mais adequado? Um bom modelo deve conseguir equilibrar a qualidade do ajuste e a complexidade, sendo esta, em geral, medida pelo número de parâmetros presentes neste; quanto mais parâmetros, mais complexo será, sendo pois, mais difícil explicá-lo. Assim, a seleção do melhor modelo torna-se, então, evidente. Diversas são as metodologias utilizadas para este fim, dentre eles os critérios de informação de Akaike (AIC), critério de informação de Akaike corrigido (AICc), e critério de informação bayesiano (BIC). Nesta perspectiva, o objetivo deste trabalho é utilizar e avaliar os critérios AIC, AICc e BIC em diferentes áreas: seleção de modelos normais, séries temporais e modelos de crescimento. Estudos de simulação em cada uma das três áreas foram desenvolvidas, bem como uma aplicação a dados reais foi realizada em cada uma das áreas.Tese apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Estatística e Experimentação Agropecuária, área de concentração em Estatística e Experimentação Agropecuária, para a obtenção do título de Doutor