Existem algumas situações onde a variável resposta é observada repetidamente ao longo do tempo, e o impacto de uma variável preditora em um determinado instante é distribuído sobre várias medidas subsequentes da variável resposta. Por outro lado, outras variáveis preditoras no modelo podem se relacionar com a resposta de forma não linear. Para construir um modelo de regressão adequado para esta situação combinamos duas técnicas: modelos aditivos generalizados e modelos com defasagens distribuídas. Os modelos aditivos generalizados são uma extensão dos modelos lineares generalizados no qual variáveis preditoras contínuas são modeladas por funções não especificadas. Já os modelos com defasagens distribuídas relacionam a variável resposta com valores defasados de uma variável preditora dependente do tempo. A combinação dessas duas técnicas de modelagem resulta nos chamados modelos aditivos generalizados com defasagens distribuídas. A estimação é feita pelo método de máxima verossimilhança penalizada de acordo com a supodição da distribuição da variável resposta. As estimativas são então obtidas combinando o método de mínimos quadrados reponderados iterativamente com a técnica de suavização P-spline. Esta metodologia é aplicada a dados ambientais da cidade de São Paulo para investigar a distribuição do efeito da poluição do ar sobre a natimortalidade e para quantificar o denominado efeito colheita

not available