A multicolinearidade é uma das dificuldades que pode ocorrer...
A multicolinearidade é uma das dificuldades que pode ocorrer no processo de estimação de Modelos de Regressão Múltipla. Em casos mais severos, a multicolinearidade chega a impossibilitar a obtenção de estimativa, mas mesmo quando tal não se dá, outros problemas podem advir.
Como exemplo, seria possível dizer que:
A) os estimadores são Blue
B)algumas das variáveis perdem por completo a sua capacidade de explicar o comportamento da variável INdependente;
C é D N são citados
a) os estimadores de mínimos quadrados dos parâmetros tornam-se , por aumento das variâncias;
Errado: A presença de multicolinearidade os estimadores de MQO continuam sendo os MELNV (Melhores estimadores lineares não viesados). O problema é que a multicolinearidade torna muitas vezes as estimativas dos coeficientes dos parâmetros insignificantes, já que cada um pressupõe, por definição, a variação em Y dada uma variação unitária em X, mantendo-se constantes as demais informações. Ou seja, se duas variáveis independentes são fortemente correlacionadas torna-se muito difícil haver variação em uma sem que haja em outra.
b) a sua capacidade de explicar o comportamento da variável dependente;
Errado: Como visto acima, não existe uma perda completa de explicação. Se duas variáveis independentes são fortemente correlacionadas torna-se muito difícil haver variação em uma sem que haja em outra,
c) Errado: A multicolinearidade é um problema associado à amostra de dados. A presença da multicolinearidade implica que há pouca informação na amostra para dar confiança na interpretação da situação em análise. Se existe multicolineariedade, os resultados da regressão podem estar errados. O problema da multicolinearidade é razoavelmente fácil de reconhecer, mas difícil de resolver, pois exige soluções como a retirada de variáveis explicativas do modelo, o que não deve ser feito sob risco de retirar-se importante variável por causa de seu baixo valor de t. Quando o modelo é projetado para a previsão, muitas vezes é preferível manter no modelo as variáveis que a teoria indica que explicam a variável independente e que sejam fáceis de prever.
d) Errado: Há indicação de multicolineariedade, por exemplo, quando o teste t indica insignificância estatística dos estimadores e R2 ou estatística F são altos. Nessa situação, a matriz de correlação deve ser investigada. Todas as variáveis independentes altamente correlacionadas devem ser retiradas exceto uma. Embora essa seja uma solução, há perda de valor dos estimadores dos parâmetros.
Se o teste t indicar significância do estimador, é sinal que a multicolinearidade não é séria para fins de previsão.
e) Correto: Seus efeitos danosos não são ocasionados simplesmente pela sua presença, mais sim pelo grau com que se manifesta. Entre os efeitos peculiares de uma elevada multicolinearidade, podem ser citados, estimativa inconsistente do coeficiente de regressão e também uma superestimativa dos efeitos diretos das variáveis explicativas sobre a variável resposta, o que pode levar à interpretação equivocada.
Gabarito: Letra E