Acredito que a resposta seja o fato do p-valor do coeficiente angular ser 0,17, sendo suficientemente alto para rejeitarmos uma hipótese nula. Ou seja: há correlação suficiente entre as variáveis justifique o modelo linear, não sendo verdade que teríamos melhores resultados sem esse parâmetro.

O coeficiente de determinação R^2 mede a proporção da variância da variável dependente explicada pelo modelo.

Quando adicionamos variáveis ao modelo (como o coeficiente angular, isto é, a variável explicativa), o R^2 nunca diminui, e pode até aumentar.

Remover variáveis do modelo, mesmo que não sejam estatisticamente significativas (como parece ser o caso aqui, dado o p-valor de 0,170 para o coeficiente angular), nunca aumenta o R^2 — no máximo, ele se mantém igual (em raros casos).

❌ Errado: Remover o coeficiente angular do modelo não aumenta o R^2; pelo contrário, o valor de R^2 diminui ou permanece igual, já que o modelo perde capacidade explicativa.

Fonte: ChatGPT

ERRADO

A retirada do coeficiente angular não aumenta o (R^2) do modelo. Na regressão linear, quando retiramos uma variável explicativa, o (R^2) tende a diminuir ou, no máximo, permanecer igual.

Isso acontece porque o modelo completo consegue explicar pelo menos tanta variabilidade quanto o modelo restrito.

Macete para concursos:

• Acrescentar variáveis explicativas: o (R^2) nunca diminui.
• Retirar variáveis explicativas: o (R^2) nunca aumenta.
• O (R^2) ajustado pode aumentar ou diminuir.

Portanto, a afirmação de que o modelo sem coeficiente angular produziria um (R^2) superior está ERRADA.