Nesta sec¸˜ao ´e abordada a estimac¸˜ao dos parˆametros da curva de produc¸˜ao por meio do m´etodo da m´axima verossimilhanc¸a. As observac¸˜oes da vari´avel respostaY s˜ao consideradas como n˜ao correlacionadas e distribu´ıdas de acordo com a distribuic¸˜ao Normal
em que: Yi|xi ´e a resposta associada a i-´esima observac¸˜ao e condicionada a dose de adubo xi, η(xi| φ) ´e a parte fixa do modelo e representa a produc¸˜ao esperada para a dose xi e φ ´e o vetor dos parˆametros ligados `a ela, sendo φT = (β1T, δT, τT, γT) ou φT = (θT, τT, γT), dependendo do modelo a ser ajustado.
A func¸˜ao de verossimilhanc¸a, por sua vez, ´e dada por L(φ, σ2) = n Y i=1 1 √ 2πσ2 exp −[yi− η(xi| φ)] 2 2σ2 , (63)
em queyi ´e ai-´esima resposta observada, mediante a dose xi. Neste caso, o logaritmo da func¸˜ao de verossimilhanc¸a ´e expresso por
ln L(φ, σ2) = −n
2ln(2πσ 2
) −2σ12S(φ), (64)
em queS(φ) ´e a soma de quadrados dos erros, isto ´e:
S(φ) = n X
i=1
[yi− η(xi| φ)]2. (65)
As estimativas de m´axima verossimilhanc¸a para os parˆametros do modelo, denotadas por ˆ
φ e ˆσ2, s˜ao obtidas maximizando o logaritmo da func¸˜ao de verossimilhanc¸a em (64) com relac¸˜ao a φ eσ2.
No caso de modelos n˜ao lineares e com erros normais, o estimador de m´axima verossi- milhanc¸a para σ2 ´e independente de ˆφ (SEBER; WILD, 1989). Ele pode ser calculado ana- liticamente, ao solucionar a equac¸˜ao ∂ ln L(φ, σ2)/∂σ2 = 0 em relac¸˜ao a σ2. Esta igualdade implica
ˆ
σ2 = S( ˆφ) n .
Ent˜ao os valores do vetor ˆφ correspondem aos que minimizamS(φ), dado um σ2 > 0. Dessa maneira, os estimadores de m´axima verossimilhanc¸a e m´ınimos quadrados para φ s˜ao equiva- lentes no caso Normal (SEBER; WILD, 1989).
Uma vez que a parte fixa do modelo ´e n˜ao linear, n˜ao h´a forma fechada para os estimadores de m´axima verossimilhanc¸a e m´etodos iterativos devem ser empregados, os quais requerem va- lores iniciais dos parˆametros para o processo de estimac¸˜ao. Neste trabalho utilizou-se o m´etodo quasi-Newton de Broyden-Fletcher-Goldfarb-Shanno (BROYDEN, 1970; FLETCHER, 1970; GOLDFARB, 1970; SHANNO, 1970), adotando-se o esquema de dois passos para a obtenc¸˜ao de estimativas iniciais φ0.5 Foi utilizada a vers˜ao do algoritmo BFGS (Broyden-Fletcher-
5
Goldfarb-Shanno) implementada na func¸˜ao optim, do “software” estat´ıstico R. Em associac¸˜ao ao optim, foram usadas as func¸˜oes mle e mle2, dos pacotes stats4 e bbmle (BOLKER, 2015), respectivamente. Apesar de as func¸˜oes apresentarem resultados similares das estimativas, que diferiram apenas a partir da quarta casa decimal, aconselha-se o uso da func¸˜ao mle2, por ser uma implementac¸˜ao recente e mais robusta do m´etodo.
´
E importante notar que os parˆametrosγ1 eγ2 (ou analogamenteζ1 eζ2) s˜ao definidos em R+e podem causar problemas de estimac¸˜ao quando s˜ao pr´oximos de zero, pois encontram-se nos limites do espac¸o param´etricoΦ. Para evitar problemas de estimac¸˜ao, uma transformac¸˜ao corretiva foi adotada neste trabalho:
γ e ζ = exp(w), (66)
em quew ∈ R. Assim, o processo de estimac¸˜ao torna-se irrestrito.
Uma das desvantagens dos modelos n˜ao lineares ´e que n˜ao h´a garantias da existˆencia e/ou unicidade das estimativas por m´axima verossimilhanc¸a ou m´ınimos quadrados. H´a sempre a possibilidade de que o processo de estimac¸˜ao atinja ´otimos locais (SEBER; WILD, 1989). Se os ´otimos globais forem encontrados, entretanto, os estimadores de m´axima verossimilhanc¸a possuir˜ao algumas propriedades importantes. Uma delas ´e a de invariˆancia: seja ˆφ o estimador de m´axima verossimilhanc¸a e seja g(φ) qualquer transformac¸˜ao de φ, ent˜ao o estimador de m´axima verossimilhanc¸a deg(φ) ´e
d
g(φ) = g( ˆφ).
Esta propriedade ´e ´util para estimar quantidades derivadas da curva de produc¸˜ao, como zonas de transic¸˜ao de fase, faixa ´otima e faixas de suficiˆencia.
Outras vantagens dos estimadores de m´axima verossimilhanc¸a s˜ao suas propriedades limi- tes: sob certas condic¸˜oes de regularidade, eles s˜ao consistentes, eficientes e apresentam norma- lidade assint´otica, isto ´e,
ˆ
π −→ N(πD ∗, I−1),
em que: πT = (φT, σ2), ˆπ ´e o estimador de m´axima verossimilhanc¸a para π, π∗ ´e o vetor dos verdadeiros valores dos parˆametros e I ´e a matriz de informac¸˜ao (esperada) de Fisher, para a qual as entradas s˜ao dadas por meio de
I(π)i,j = −Eπ
∂2 ln L(π) ∂πi∂πj
, comi, j = 1, · · · , p, sendo p o n´umero de parˆametros em π.
Neste trabalho, a matriz de informac¸˜ao esperada foi aproximada pela matrix de informac¸˜ao observada J, da qual as entradas s˜ao dadas por
J( ˆπ) = −∂ 2 ln L(π) ∂πi∂πj π = ˆπ.
Observe que a matriz de informac¸˜ao observada J ´e a matriz Hessiana da func¸˜ao ln L, com o sinal oposto, calculado com respeito ao vetor π e avaliado emπ. Dessa forma, o estimador daˆ matriz de variˆancias e covariˆancias assint´oticas deπ foi obtido por meio deˆ
\
V ar( ˆπ) = [J( ˆπ)]−1
e, posteriormente, o erro-padr˜ao deπˆj foi estimado por meio de \
EP (ˆπj) = q
\ V ar( ˆπ)j,j.
Neste trabalho, a significˆancia de cada parˆametro foi avaliada por meio do teste de Wald. No teste de Wald, as hip´oteses H0:πj = π0j e HA: πj 6= π0j s˜ao investigadas por meio do valor
da estat´ıstica
W = ˆπj − π0j
\ EP (ˆπj)
,
a qual tem distribuic¸˜ao assint´otica normal padr˜ao sob H0. O teste de Wald tamb´em pode ser usado para testar hip´oteses lineares, separada ou conjuntamente. Seja uma matriz Cc×p. Ent˜ao, para testar as hip´oteses lineares H0: C π= c0contra HA: C π6= c0, calcula-se a estat´ıstica
Q = (C ˆπ− c0)′[CV ar( ˆ\π) C′]−1(C ˆπ− c0), a qual tem distribuic¸˜aoχ2 comc graus de liberdade sob H
0. Esse teste foi usado para testar se β1+ δ1 = 0 nos modelos oriundos da formulac¸˜ao m´ax-m´ın, o que equivale a testar se o regime de consumo de luxo possui um coeficiente angularβ2 = 0.
A fim de investigar se h´a necessidade de estimar os parˆametros de suavizac¸˜ao ou se mo- delos abruptos s˜ao mais parcimoniosos, utilizou-se o teste da raz˜ao de verossimilhanc¸as para modelos encaixados. Os parˆametros da parte fixa dos modelos originais s˜ao elementos do vetor φ ∈ Φ. Os modelos abruptos s˜ao obtidos ao fixarmos os parˆametros de suavizac¸˜ao (presentes em φ) em valores arbitrariamente pequenos. Portanto, os modelos abruptos s˜ao casos particu- lares do modelos suaves, com o vetor de parˆametros sendo φ0 ⊂ φ. Os modelos abruptos s˜ao chamados de nulos, enquanto os modelos suaves s˜ao chamados de alternativos. Para testar se o
modelo nulo ´e mais parcimonioso do que o alternativo, calcula-se a estat´ıstica Λ = −2 [ln L(ˆφ0, ˆσ2
0) − ln L(ˆφ, ˆσ2)], em que ˆφ0 e ˆσ2
0 s˜ao as estimativas de m´axima verossimilhanc¸a para os parˆametros φ0 e σ02 do modelo nulo. Sob o modelo nulo, a estat´ıstica raz˜ao de verossimilhanc¸asΛ ´e assintotica- mente distribu´ıda de acordo com a distribuic¸˜aoχ2, com(p − p
0) graus de liberdade, sendo p0 a dimens˜ao de φ0.