https://youtu.be/JRs7ZAQe46c

Para que as estimativas de um Modelo de Regressão Linear Clássico (MRLC) sejam os melhores estimadores lineares não tendenciosos (propriedade BLUE), o modelo deve satisfazer certos pressupostos fundamentais, conhecidos como Hipóteses de Gauss-Markov.

• A) CORRETA: A homocedasticidade exige que a variância dos erros seja constante para todas as observações. Se a variância muda (heterocedasticidade), os erros padrão das estimativas ficam incorretos, afetando os testes de hipóteses.
• B) INCORRETA: O pressuposto é que não deve existir multicolinearidade perfeita. Se as variáveis explicativas forem perfeitamente correlacionadas, é impossível calcular os coeficientes individualmente.
• C) INCORRETA: Um dos pressupostos básicos é que a média dos erros deve ser igual a zero. Se a média não for zero, o termo de intercepto absorverá esse valor, mas o modelo teórico assume $E(\varepsilon) = 0$.
• D) INCORRETA: Na regressão linear clássica, a variável dependente ($y$) deve ser quantitativa (contínua). Se a variável for qualitativa, utilizamos outros modelos, como a Regressão Logística ou Probit.
• E) INCORRETA: O modelo é definido pela sua linearidade nos parâmetros. Embora as variáveis possam ser transformadas, a relação funcional estimada entre os parâmetros ($\beta$) e a variável dependente deve ser linear.

1. Linearidade nos parâmetros.
2. Média nula dos erros: $E(\varepsilon_i) = 0$.
3. Homocedasticidade: $Var(\varepsilon_i) = \sigma^2$ (constante).
4. Ausência de autocorrelação: Os erros são independentes entre si.
5. Ausência de multicolinearidade perfeita entre as variáveis $X$.
6. Normalidade dos resíduos (necessário para testes de hipóteses em pequenas amostras).

Resposta Correta:

A alternativa correta é a A.