Avalie se, na análise de resíduos, o diagrama de dispersão de resíduo e predito de uma regressão linear simples é usado para detectar:

I. heterocedasticidade dos erros.
II. não-linearidade entre as variáveis X e Y.
III. prováveis dados atípicos.

Está correto o que se afirma em

Assinale a opção que apresenta o gráfico de resíduos de regressões lineares com comportamento homocedástico. 

A tabela a seguir mostra um conjunto de pontos.

Considerando-se a tabela apresentada, o modelo de regressão linear simples ajustado para os dados fornecidos será

A tabela a seguir apresenta um conjunto de dados.

Com base na tabela precedente e considerando-se que o modelo de regressão linear simples ajustado para os dados fornecidos seja dado pela reta      , é correto afirmar que a estatística F é dada por

O modelo de dados de painel de efeito fixo pode ser aplicado quando

Considere o modelo de regressão linear simples:

W_i = a + b*Educ_i + e_i,

em que, Wi é o logaritmo neperiano do salário, Educ_i é o logaritmo neperiano de anos de estudos e e_i é o erro da regressão.

Considere que Cov(e_i,Educ_i)≠0 e que os dados de salário e anos de estudo foram obtidos a partir de uma amostra aleatória.

Além disso, considere as seguintes estatísticas amostrais:

Var(Educ_i) = 2.

Cov(W_i,Educ_i) = 0,8.

Cov(MesNasc_i,Educ_i) = 0,2.

Cov(MesNasc_i,W_i) = 0,1.

A variável MesNasci é o mês de nascimento do indivíduo. Assumindo que Cov(MesNasc_i,e_i) = 0, o estimador consistente de b será igual a: 

Considere um modelo de regressão linear simples  . Neste caso,

Considere um modelo de regressão múltipla usual Y = Xb + e, baseado em n observações y, b é um vetor de k parâmetros, e é um vetor de k componentes aleatórios e X é uma matriz de observações de dimensões n por (k + 1). Se X^T denota a transposta de X, então o estimador de mínimos quadrados de b é igual a:

Para verificar se um modelo de regressão linear é adequado, precisa investigar se as suposições feitas para o desenvolvimento do modelo estão satisfeitas, assim é importante verificar o comportamento do modelo usando o conjunto de dados observados, prestando atenção as discrepâncias entre os valores observados e os valores ajustados pelo modelo, ou seja, fazendo uma análise dos resíduos. Analise o gráfico abaixo sobre resíduos e assinale a alternativa correta.

Considere os dois modelos ARMA(1,1) a seguir:

Modelo 1: Z_t = 0,8Z_{t − 1} + a_t − 0,3a_{t − 1}
Modelo 2: Z_t = 1,5Z_{t − 1} + a_t − 0,6_{at − 1}           onde a_t ∼ N(0, σ²)

Quanto à estacionariedade e invertibilidade,

Considere o modelo autorregressivo de primeira ordem AR(1), Z_t = 2 + 0,6Z_{t −1} + a_t , com a_t ∼ N(0, σ²). A previsão n passos à frente para a variável Z convergirá para

Deseja-se obter um modelo de regressão para estimar y a partir das variáveis independentes X₁ e X₂. Com esse objetivo, foram obtidas 5 observações conforme o quadro a seguir:



Considere o modelo de regressão múltipla y_i = β₀ + β₁x_i1 + β₂x_i2 + e_i onde e_i ∼ N(0,σ²), atendendo todas as premissas necessárias para o modelo e os dados: 




onde X^t é a transposta de X. Então, é correto afirmar que

No modelo de regressão linear simples

As informações a seguir referem-se aos resultados parciais da aplicação de um modelo de regressão linear simples, Y = β₀ + β₁X₁ + ε, em uma amostra aleatória simples de 60pares de observações.
Alguns dos resultados aproximados foram:

• F_calculado = 257,21. • F_{significância} = 5,50E - 23 • intercepto = 34,52; e • inclinação = 0,84
O valor da estatística t de Student e o p − valor para o teste da significância de β₁ são, aproximadamente e respectivamente,

O modelo de regressão linear simples F_i = α + βG_i + ε_I foi adotado para prever o faturamento anual (F), em milhões de reais, de uma empresa em função dos respectivos gastos com propaganda (G), em milhões de reais. α e β são parâmetros reais desconhecidos, i corresponde a i-ésima observação e ε_I é o erro aleatório com as respectivas hipóteses do modelo de regressão linear simples. Com base em 10 observações anuais (G_i , F_i ) e utilizando o método dos mínimos quadrados encontrou-se a equação  . Sabendo-se, com base nessas informações, que a estimativa da variância do modelo teórico encontrada foi de 25 e que o coeficiente de determinação (R²) é igual a 80%, verifica-se que a variância da estimativa do coeficiente angular correspondente ao modelo é igual a

Todos os participantes de um curso foram divididos em 3 grupos (I, II e III). No final de um período, decide-se testar a hipótese, a um determinado nível de significância α, da igualdade das médias das notas dos grupos obtidas em um teste aplicado para todos os participantes. Como o número de participantes era muito grande, optou-se por extrair aleatoriamente de cada grupo 10 observações apurando-se o quadro de análise de variância abaixo, sendo que somente foram fornecidos a “Soma de quadrados Total” e o valor da estatística F utilizada para a tomada de decisão. 

Conclui-se que o valor de X é igual a

Em relação aos procedimentos técnicos relacionados aos procedimentos de amostragem, julgue os itens a seguir.
I Quando se adiciona variáveis explicativas no modelo de regressão linear, espera-se o incremento da estatística R² . 
II Ao se comparar modelos com diferentes quantidades de variáveis explicativas, deve-se analisar o valor de R² ajustado. 
III O aumento de variáveis explicativas aumenta o R² ajustado.
IV Ao se estimar um modelo com quatro variáveis explicativas e compará-lo com um modelo com três variáveis explicativas, escolhe-se o modelo que retornar o maior valor de R² ajustado, tudo o mais constante.
Estão corretos apenas os itens

Um problema frequente na análise de regressão é a presença de multicolinearidade. Nesses casos, as correlações entre as variáveis independentes causam instabilidade na estimação dos parâmetros, inflacionando os erros das estimativas. Qual das técnicas apresentadas a seguir é uma alternativa para lidar com multicolinearidade em regressão linear múltipla?