O mais simples dos modelos de regressão múltipla é a regressão de três variáveis, com uma variável dependente e duas variáveis explicativas, conforme a expressão Y_i =β₁ + β₂X_2i + β₃X_3i + µ_i . Neste modelo, o fato de que nenhuma das variáveis explicativas pode ser escrita como combinações lineares das demais variáveis explicativas é denominado:

A técnica da Análise da Variância foi desenvolvida por R. A. Fisher e tem como objetivo e premissas

Para modelar o comportamento de determinada proporção é proposto um modelo de regressão com variável dependente do tipo qualitativa. A forma funcional apresentada é: 

Sobre esse tipo de modelo e formulação, é correto afirmar que:

Um modelo de regressão linear múltipla é estimado por MQO (Mínimos Quadrados Ordinários), conforme a equação:

Y_i = α + β.X_i + γ.W_i + ε_i

As estimativas estão colocadas na tabela abaixo, com algumas omissões:

Com base nas estatísticas disponíveis e no cálculo dos valores omitidos, é correto afirmar que:

Após estimar um modelo de regressão linear múltipla, por MQO, um econometrista repara que, por algum motivo, a tabela contendo os resultados da análise da variância ficou incompleta, conforme abaixo: 

Apesar dos valores acima omitidos, é correto afirmar que: 

Um econometrista resolve propor e estimar um modelo de regressão linear simples como forma de estimar o efeito da temperatura sobre o volume de venda de sorvetes. Emprega,para esse fim, a formulação:

 

Onde QS é a quantidade de sorvetes (em milhares), T é a temperatura (célsius) e  é ε o termo de erro do modelo.

Apenas estatísticas descritivas básicas sobre QS e T são dadas, como  Onde, variâncias (σ²), médias (μ) e covariância (σ_T,Q,S).

Supondo-se válidos todos os pressupostos clássicos, a partir das informações disponíveis, verifica-se que: 

Com frequência é importante transformar modelos não lineares em modelos lineares. Sendo assim, o seguinte modelo exponencial, no qual as variáveis são x e, z1 , z2 e, z3 e os demais termos b1 , b2 e b3 , são parâmetros dados:

                         


Uma possível linearização do modelo dado é fazer t=log(x) e, yi = log(zi ), para i=1,2,3. Após a aplicação dessa linearização, obtém-se a seguinte equação:

Um estudo foi realizado para investigar a resistência do solo (y) ao cisalhamento quando relacionado à profundidade (x₁ ), dada em centímetros, e ao conteúdo de umidade (x₂ ) dado em %. Dez observações foram realizadas, e as seguintes grandezas foram obtidas: n=10, ∑x_i1=221, ∑x_i2=533, ∑x_i1²=5300,8; ∑x_i2²=29316 ∑y_i =2033, e ∑x_i1²x_i2=13217, ∑x_i1y_i =45557; ∑x_i2y_i =107298,7; ∑y_i =369497,3. Pede-se para estabelecer as equações de mínimos quadrados para o modelo: Y=α₀ +α₁ x₁ +α₂ x₂ +ε.

Um trabalho realizado para a análise de concreto apresentou dados a respeito da resistência à compressão, t, e à impermeabilidade intrínseca, w, de várias misturas e curas de concreto. Um sumário das grandezas é o seguinte: n=14, ∑t_i =43, ∑t_i² =157,42, ∑w_i =572, ∑w_i² =23530 e ∑t_i w_i =1697,80. Considere ainda que as duas variáveis estão relacionadas de acordo com um modelo de regressão linear simples. Calcule as estimativas de mínimos quadrados da inclinação e da interseção da reta para estas duas variáveis.

Seja o modelo de regressão linear , em que Y é o vetor de respostas com dimensão n, é o vetor de parâmetros de dimensão p e é o vetor de erros, em relação a X, assinale a alternativa correta.

Seja o conjunto de pares de valores (X, Y): 

ajustando-se aos dados o modelo Y = β₀ + β₁X + ε, onde Y é a variável resposta, X é a variável explicativa, β₀ e β₁ são os parâmetros e ε é o erro, se obtém as seguintes estimativas dos parâmetros:

Os problemas que podem surgir no ajuste de um modelo linear aos dados da variável resposta (Y) contra as variáveis explicativas (X₁, X₂, ...., X_p-1) são de natureza diferente, podem ser causados de formas diferentes e têm consequências também deferentes. É possível agrupar esses problemas em quatro (4) grupos importantes. São eles:

A detecção de pontos com grande influência no ajuste de um modelo linear aos dados, Y = , é feita usando-se a denominada matriz chapéu H. No caso de se considerar apenas os valores das variáveis explicativas X_i i= 1, 2, ..... , p-1, trabalha-se com os elementos da diagonal principal. Então, a matriz chapéu é dada por:

O Coeficiente de correlação entre as duas variáveis é de aproximadamente o que se encontra descrito na alternativa: 

A aplicação da técnica da Análise da Variância para verificar a igualdade na média de vários níveis k de um fator supõe que cada observação tem como modelo linear a expressão y_ij = µ + α_i + ε_ij, onde µ é a média geral, αi é o efeito do nível i do fator e ε_ij é o erro aleatório associado à observação j do nível i. Desta forma, é correto afirmar que é suposição para o modelo

Com relação ao Erro tipo I e tipo II, assinale a alternativa correta.

Dado X~b (15, 0,4), encontre o valor de P(X ≥ 5); e E(X)