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 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

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

Se Ŷ_i = β₀ + β₁X_i é a reta ajustada pela regressão e se e_i = Y_i  - Ŷ_i  é o resíduo da observação i, i = 1, 2, ..., n, avalie as afirmativas a seguir.

I. 

II. 

III. O ponto  pertence à reta ajustada.

Assinale a alternativa CORRETA.  

Considere o modelo de regressão linear simples Y_i = β₀ + β₁ + E_i , onde E_i ~ Normal (0, σ² ). Seja QME o quadrado médio dos resíduos e SMR a soma de quadrados dos resíduos.

Assinale a alternativa que apresenta a estatística de teste para testar as hipóteses H₀: β₁ = 0 versus H₁: β₁ ≠ 0.

Um estatístico utilizou um modelo de regressão linear simples, Y = β₀ + β₁X + ε,  para fazer predições.
O modelo, com 20 observações, foi bem ajustado, atendendo a todos os pressupostos necessários, e os resultados foram:
; soma dos quadrados dos resíduos, 9; variância de x, 28 e média de x, 22.
O intervalo bilateral de 95% de confiança para predição quando é, aproximadamente:

Nos anos 60, foram feitos diversos estudos para se avaliar o efeito da poluição sobre a saúde da população, quando se utilizaram métodos estatísticos, como a correlação linear e a regressão linear.

Entre as características desses dois métodos, encontram-se:

O custo total (Y) de uma das peças produzidas em uma empresa, em função do total de peças produzidas (X), em unidades, é dado pela equação da reta de regressão linear  = 0,8762 + 1,432X. Nessas condições, a função de ajuste exponencial dessa reta é dada por: Considere e 1,432 = 4,1871 e e^0,8762 = 2,4018. 

A equação da reta de regressão linear entre a variável X: gastos com propaganda (em reais) e a variável Y: total de vendas (em reais) é dada por  = 34,50 + 10,20X. Desse modo, o total gasto com propaganda, sabendo que o total de vendas foi de R$ 131,40 é igual a: 

Numa análise de regressão linear simples sabe-se que que , , ,  e . Nessas circunstâncias, o valor do coeficiente de correlação linear da reta de regressão linear, sendo n = 5 é um valor: