Questões de Concurso
Sobre regressão linear em estatística
Foram encontradas 431 questões
Sobre o modelo usado, analise as afirmativas a seguir.
I. Considerando a equação y=α+βx, onde "α" e "β" são parâmetros da reta teórica, os quais são estimados por meio dos pontos experimentais fornecidos pela amostra, obtendo-se uma reta estimada.
II. A aplicação do Princípio de Máxima Verossimilhança leva ao chamado procedimento de Mínimos Quadrados.
III. Deve-se procurar a reta para a qual se consiga minimizar a soma dos resíduos da regressão ao quadrado.
Está correto o que se afirma em
(i) ▁x=0,25 (ii) ▁y=0,75 (iii) ∑_(i=1)^n▒〖(x_i-▁x)(y_i-▁y)〗=12 (iv) ∑_(i=1)^n▒〖(x_i-▁x )^2 〗=2
Considerando os dados acima, a equação resultante da regressão linear é dada por
( ) O erro médio quadrático é uma métrica típica de erro em problemas de regressão cujo valor varia entre 0 e 1.
( ) Pode-se afirmar que o conjunto de dados C1 está melhor ajustado ao modelo do que o conjunto de dados C2.
( ) Pode-se afirmar que para melhorar o ajuste do conjunto de dados C2 é preciso aumentar seu tamanho.
As afirmativas são, respectivamente,
= 200 + 8x, na qual a variância da
variável resposta (y) é igual a 100 vezes o valor da variável
regressora (x). A partir das informações precedentes, julgue o próximo item.
Na situação apresentada, o coeficiente de determinação do modelo ajustado tem valor igual a 0,8.
A reta de regressão de y sobre x permite estimar x para determinados valores de y.
São verificadas a correlação e a regressão linear perfeitas quando todos os pontos amostrais encontram-se sobre uma reta.
Formulada a equação de regressão, pode-se utilizá-la para estimar o valor da variável dependente, dado o valor da variável independente; entretanto, a estimação deve ser feita dentro do intervalo dos valores da variável independente originalmente amostrados.
Em uma curva de regressão de x sobre y, são considerados os desvios verticais para verificação da melhor curva ajustadora.
I. Não-linearidade da relação entre as variáveis. II. Não normalidade dos erros. III. Variância não-constante dos erros (heterocedasticidade). IV. Correlação entre os erros. V. Presença de outliers ou observações atípicas.
Estão corretos os problemas
Suponha que se deseje ajustar, pelo método dos mínimos quadrados, uma reta Y = a + bX a um conjunto de pares de observações (x1, y1), (x2, y2),..., (xn, yn).
Nesse caso, se
e
são as médias amostrais dos x’s e dos y’s, a
solução é dada por
I. A multicolinearidade ocorre quando duas variáveis do modelo, explicando o mesmo fato, contêm informações similares.
II. A autocorrelação serial nos resíduos é um dos pressupostos da Análise de Regressão e ocorre quando o efeito de uma dada variável X influencia as observações seguintes.
III. A homoscedasticidade indica que as variáveis de um modelo de regressão devem ter, obrigatoriamente, a mesma variância.
IV. As condições de normalidade dos resíduos são necessárias para a definição de intervalos de confiança e testes de significância.
Assinale a alternativa CORRETA:
tem-se: 
Com base nessas informações, julgue o seguinte item.

tem-se: 
Com base nessas informações, julgue o seguinte item.
A estimativa de δ2 é igual ou inferior a 3,5.
tem-se: 
Com base nessas informações, julgue o seguinte item.
A estimativa da variância de
é igual ou superior a 0,05.
Considerando o modelo clássico de regressão linear e a importância das suas hipóteses no contexto de uso intensivo de dados, julgue o item a seguir.
Na presença de heterocedasticidade, os valores da
estatística t são maiores que o esperado.
Considerando o modelo clássico de regressão linear e a importância das suas hipóteses no contexto de uso intensivo de dados, julgue o item a seguir.
Quando se adicionam variáveis explicativas ao modelo,
espera-se redução da estatística R2
.
Considerando o modelo clássico de regressão linear e a importância das suas hipóteses no contexto de uso intensivo de dados, julgue o item a seguir.
Mesmo na presença de multicolinearidade imperfeita, os
estimadores de mínimos quadrados ordinários são os
melhores estimadores lineares não viesados (BLUE – best
linear unbiased estimator).