O método mais utilizado no ajuste de modelos de regressão múltipla é o de mínimos quadrados, devido a suas propriedades estatísticas serem amplamente estudadas e facilidades computacionais. Contudo, este método é sensível a valores aberrantes, que são muito freqüentes no caso da distribuição dos erros possuir caudas pesadas. O objetivo desta dissertação é apresentar o método de estimação 'L IND.1', que é resistente a valores aberrantes na variável resposta. Será explorado, em particular, o problema de seleção de variáveis, sendo apresentados e desenvolvidos os critérios quando são analisadas as possíveis regressões, e procedimento automáticos de seleção. Um estudo preliminar sobre os efeitos da multicolinearidade nas estimativas 'L IND.1' é também executado. São apresentados também, programas que tornam viável a utilização do método 'L IND.1' em problemas de regressão

A widely used method to fit a multiple regresssion model is the least squares method, due to its statistical properties and computacional facilities. However, this approach can be affected by outliers, wich are very frequent when the errors distribution has heavy tails. The aim of this dissertation is to presente the 'L IND.1' method for regression models, exploring the variables selection problem. Criterions for variables selection are presented and developed when all possible regressions are considered and automatic selection procedures. A preliminary study about the multicolinearity effects over 'L IND.1'estinates is also perfomed. Programs which make possible the use of the 'L IND.1'method in regression problems are presented