Uma regressão linear de Y sobre X consiste em obter a equação de uma reta, ou uma função linear, como o modelo que irá melhor representar a relação entre as variáveis; a determinação dos parâmetros dessa reta é denominada ajustamento.

Considerando essas informações, julgue o seguinte item. 

Um coeficiente de determinação entre as variáveis X e Y de 95% implica necessariamente a obtenção de uma reta dos mínimos quadrados crescente, ou seja, em uma correlação positiva.

        Uma regressão linear de Y sobre X consiste em obter a equação de uma reta, ou uma função linear, como o modelo que irá melhor representar a relação entre as variáveis; a determinação dos parâmetros dessa reta é denominada ajustamento.

Considerando essas informações, julgue o seguinte item. 

Para quaisquer valores das variáveis X e Y, a existência de um coeficiente de correlação diferente de zero é garantia para que haja uma relação entre X e Y.

        Uma regressão linear de Y sobre X consiste em obter a equação de uma reta, ou uma função linear, como o modelo que irá melhor representar a relação entre as variáveis; a determinação dos parâmetros dessa reta é denominada ajustamento.

Considerando essas informações, julgue o seguinte item. 

Suponha-se que, em uma pesquisa, o coeficiente de correlação entre duas variáveis X e Y tenha gerado um valor para o coeficiente de correlação de Pearson de 0,9200. Nesse caso, considerando-se X a variável independente e Y a variável dependente, o percentual da variância de Y explicado por X será de 84,64%. 

Julgue o item subsequente, considerando oito pares de valores das variáveis X e Y, tais que ∑ X = 24; ∑ Y = 49; ∑ X _ˑ Y = 181; ∑X² = 100 e ∑Y² = 343.

Se o par (x_i, y_i) for um dos oito pares ordenador das variáveis X e Y, ampliando-se o valor de x_i na reta dos mínimos quadrados ordinários que representa a regressão linear simples de Y em X, o valor de Y encontrado será tal que Y = y_i.  

Julgue o item subsequente, considerando oito pares de valores das variáveis X e Y, tais que ∑ X = 24; ∑ Y = 49; ∑ X _ˑ Y = 181; ∑X² = 100 e ∑Y² = 343.

A reta dos mínimos quadrados ordinários que representa a regressão linear simples de Y em X com intercepto não nulo terá coeficiente linear aproximado de 2,48. 

Julgue o item subsequente, considerando oito pares de valores das variáveis X e Y, tais que ∑ X = 24; ∑ Y = 49; ∑ X _ˑ Y = 181; ∑X² = 100 e ∑Y² = 343.

O coeficiente de correlação de Pearson para os valores apresentados será negativo, o que indica que a regressão linear será representada por uma reta decrescente. 

Tendo como referência os testes de hipóteses, que são ferramentas auxiliares nas tomadas de decisão acerca de uma ou mais populações com base nas informações obtidas da amostra, julgue o item seguinte. 

Considerando-se, para certa hipótese, que a distribuição amostral de uma estatística S seja normal, com média µ_S e desvio padrão σ_S, então, caso se verifique, para a única amostra aleatória, que o escore z dessa estatística esteja fora do intervalo de –1,96 a 1,96, e se o tamanho desse teste bilateral for α = 5%, é correto concluir que z difere significativamente do que se pode esperar para essa hipótese, pois está fora da região de aceitação da hipótese. 

Tendo como referência os testes de hipóteses, que são ferramentas auxiliares nas tomadas de decisão acerca de uma ou mais populações com base nas informações obtidas da amostra, julgue o item seguinte. 

Considere-se que, em um teste de hipótese para a análise do funcionamento de determinada máquina, seja admitido como hipótese nula o fato de a referida máquina estar funcionando perfeitamente. Nesse caso, se houver a ocorrência de um erro do tipo I, então a máquina não estará funcionando adequadamente.

Em cada item a seguir é apresentada uma situação hipotética seguida de uma assertiva a ser julgada a respeito de Estatística e Econometria.

Sob a presença de heteroscedasticidade num modelo de regressão linear, o método dos mínimos quadrados ordinários não gera estimativas de parâmetros eficientes ou de variância mínima, o que implica erros padrões viesados.

Com base nos dados dessa tabela, julgue o próximo item.

Pelo modelo de regressão linear simples, a equação que expressa o relacionamento ajustado entre a variável y em função de x é  em que α é uma constante.

Com base nos dados dessa tabela, julgue o próximo item.

Uma forma de melhorar o modelo de regressão linear para a situação em questão é utilizar o modelo de regressão logística, uma vez que a variável dependente se apresenta de forma quantitativa.  

Com base nos modelos de regressão linear simples (equação 1) e de regressão linear múltipla (equação 2), julgue o item a seguir.  

Na ausência da variável explicativa “tempo”, a equação 2 será uma regressão espúria se e uma ou mais de suas variáveis explicativas apresentarem algum grau de tendência.