Modelos Econométricos de Regressão Probito com Estrutura Espacial

São analisados dois modelos econométricos para a regressão probito linear em respostas binárias espacialmente dependentes ou correlacionadas, os quais tem aplicação em problemas de escolha discreta para dados de área. A incorporação desta correlação, via um processo latente, tem como consequência uma função de verossimilhança, envolvendo várias integrais, que exceto em casos especiais, não podem ser resolvidas analiticamente. O primeiro modelo insere a estrutura espacial na forma de defasagens ou erros espacialmente correlacionados na variável latente. Para este modelo apresentamos uma comparação entre três métodos de estimação, a saber: máxima verossimilhança (MV) via algoritmo EM e método dos momentos generalizados (MMG) e análise Bayesiana via MCMC. Para tal foram geradas 2500 amostras. O segundo, introduz a espacialidade ao modelo como um efeito aleatório espacialmente estruturado, na forma de um processo autoregressivo espacial. Analisamos este modelo através de um modelo hierárquico Bayesiano, sugerindo prioris adequadas, bem como, usando Metropolis em Gibbs, estudando duas possíveis distribuições para a transição. Foram feitas simulações, gerando amostras de vários cenários possíveis e discutidos os resultados encontrados