Correção de alta ordem de estimadores de máxima verossimilhança

A técnica de estimação por máxima verossimilhança é uma das metodologias mais utilizadas na área de Estatística. Em determinados modelos, esta técnica produz um estimador viesado ou assintoticamente não-viesado. No último caso, a ordem de magnitude dos vieses desses estimadores é em geral O(n−1) e seu desvio padrão na ordem de O(n−1=2). Por esse motivo, esses vieses não são levados em conta em amostras de tamanho grande. Porém, em pequenas amostras esse viés na estima- ção pode ter um signi cado importante. Assim, o estudo sobre diminuir o viés do estimador de máxima verossimilhança torna-se bastante relevante em diversas áreas, tais como, medicina, farmácia, biologia, entre outras, que necessitam de precisão e ao mesmo tempo trabalham com amostras pequenas. Durante décadas, muitos artigos foram publicados na área de correção de viés, utilizando diversos tipos de modelos e técnicas de estimação. Neste trabalho, propomos uma técnica de correção de viés baseada em uma sequência de translações da função escore, de forma que a primeira translação é exatamente a que David Firth propôs, ver [18]. Para isso, usamos inicialmente a expansão de Taylor do estimador de máxima verossimilhança para realizar a primeira translação, o zero desta função transladada é o estimador θ∗ 0, que é o estimador proposto por Firth. Com a expansão de Taylor deste estimador, realizamos outra translação na função escore já transladada, encontrando o estimador θ∗ 1. Sob determinadas condições de regularidade, o viés deste novo estimador tem ordem de magnitude O(n−3). Repetindo esse processo k-vezes, obtemos um estimador cujo viés tem ordem de magnitude O(n−k), para k = 1, 2, . . . . Realizamos várias simulações de Monte Carlo em uma grande variedade de situações e de modelos estatísticos. No caso uniparamétrico, comparamos o desempenho do estimador θ∗ 1 com o estimador de máxima verossimilhança bθ, com θ∗ 0, com bθ1 visto na equação 2.18 e com o estimador eθ2 proposto por Ferrari et al [17], que pode ser visto na equação 2.19. No caso biparamétrico, comparamos o estimador θ∗ 1 com os estimadores bθ e θ∗ 2. Os resultados das simulações mostram que esses estimadores, cuja proposta é de corrigir viés, são competitivos entre si, mas há uma leve superioridade dos estimadores θ∗ 1 e eθ2. No caso biparamétrico é mais evidente a superioridade do estimador θ∗ 1, para n pequeno