Métodos robustos para regressão com erros autocorrelacionados

Uma das suposições associadas ao modelo de regressão linear múltipla é a independência dos erros. No entanto em muitas aplicações, nomeadamente em econometria, essa suposição não se verifica. Têm sido, por isso, propostos desde longa data métodos de diagnóstico para esta situação (um deles é o conhecido teste de Durbin-Watson) e métodos adequados de estimação (por exemplo, mínimos quadrados generalizados). Neste trabalho mostra-se que esses métodos não são robustos em relação a outras violações das suposições do modelo, tais como a não normalidade dos erros e/ou a existência de outliers, e apresentam-se métodos alternativos adequados para diagnosticar de forma robusta a existência de erros autocorrelacionados, bem como estimadores robustos para os parâmetros do modelo de regressão na presença daquele tipo de erros. Os métodos propostos são avaliados com base em estudos de Monte Carlo e em dados reais.