Diversas distribuciones generalizadas se desarrollan en la literatura estadística, entre ellas se encuentra la distribución Secante Hiperbólica Generalizada (SHG). En este documento se presenta un método alternativo para la estimación de los parámetros poblacionales de la SHG, llamado Máxima Verosimilitud Modificada (MVM). Asumiendo algunas expresiones alternas que difieren con el trabajo de Vaughan en el 2002 y basándose en el mismo conjunto de datos de la fuente original. Se implementa computacionalmente el método transformado de MVM, permitiendo observar unas buenas aproximaciones de los valores de los parámetros de localización y escala, presentados por Vaughan en su artículo. Con esto se pretende que en la práctica se cuente con una metodología diferente para estimar. MSC: 60E05, 62E10

Estudiamos el modelo de regresión lineal múltiple bajo errores aleatorios no distribuidos normalmente considerando la familia de distribuciones hiperbólicas secantes generalizadas. Derivamos los estimadores de los parámetros del modelo utilizando la metodología modificada de máxima verosimilitud y exploramos las propiedades de los estimadores modificados de máxima verosimilitud así obtenidos. Mostramos que los estimadores propuestos son más eficientes y robustos que los estimadores de mínimos cuadrados comúnmente utilizados. También desarrollamos la prueba relevante de los procedimientos de hipótesis y comparamos el rendimiento de tales pruebas con las pruebas clásicas que se basan en el enfoque de mínimos cuadrados. 

En este trabajo se presenta un estudio del modelo de regresión lineal del tipo y = Θx+e, donde el error tiene distribución Secante Hiperbólica Generalizada (SHG). El método para estimar los parámetros se obtienen mediante una configuración de máxima verosimilitud expresando las ecuaciones no lineales en forma lineal (Verosimilitud Modificada). Los estimadores resultantes son expresiones analíticas en términos de valores de la muestra y, por lo tanto, son fácilmente calculables. Mediante la aplicación de varios tipos de datos, se muestra la metodología descripta anterior, y se obtienen modelos plausibles frente a las verdaderas distribuciones subyacentes de los datos.MSC: 60E05, 62E10