A respeito da inferência do modelo de regressão linear múltipla da forma y = β₀ + β₁x₁ +β₂x₂ +⋯+ β_kx_k + ε , julgue o item subsecutivo, considerando que valem as suposições clássicas, como linearidade nos parâmetros, independência entre observações, homoscedasticidade, normalidade e ausência de multicolinearidade perfeita.

O p-valor representa a probabilidade de que a hipótese nula seja verdadeira condicional aos dados observados.  

A respeito da inferência do modelo de regressão linear múltipla da forma y = β₀ + β₁x₁ +β₂x₂ +⋯+ β_kx_k + ε , julgue o item subsecutivo, considerando que valem as suposições clássicas, como linearidade nos parâmetros, independência entre observações, homoscedasticidade, normalidade e ausência de multicolinearidade perfeita.

Para testar H₀: β₁ + β₂ = 1 usando um teste t, a estatística do teste é XXX , em que EP é o erro padrão, determinado por XXXXXXXXXX

A respeito da inferência do modelo de regressão linear múltipla da forma y = β₀ + β₁x₁ +β₂x₂ +⋯+ β_kx_k + ε , julgue o item subsecutivo, considerando que valem as suposições clássicas, como linearidade nos parâmetros, independência entre observações, homoscedasticidade, normalidade e ausência de multicolinearidade perfeita.

Se o erro padrão de β_j aumenta, mantendo as demais características constantes, o comprimento do intervalo de confiança para β_j diminui.

A respeito da inferência do modelo de regressão linear múltipla da forma y = β₀ + β₁x₁ +β₂x₂ +⋯+ β_kx_k + ε , julgue o item subsecutivo, considerando que valem as suposições clássicas, como linearidade nos parâmetros, independência entre observações, homoscedasticidade, normalidade e ausência de multicolinearidade perfeita.

A estatística F para testar H₀: β₁ = β₂ =⋯= β_k = 0 segue uma distribuição F com (k, n - 1) graus de liberdade.  

A respeito da inferência do modelo de regressão linear múltipla da forma y = β₀ + β₁x₁ +β₂x₂ +⋯+ β_kx_k + ε , julgue o item subsecutivo, considerando que valem as suposições clássicas, como linearidade nos parâmetros, independência entre observações, homoscedasticidade, normalidade e ausência de multicolinearidade perfeita.

Um intervalo de 95% de confiança para β_j que inclui o zero significa que se rejeita a hipótese H₀: β_j = 0 ao nível de 5% de significância.

A respeito da inferência do modelo de regressão linear múltipla da forma y = β₀ + β₁x₁ +β₂x₂ +⋯+ β_kx_k + ε , julgue o item subsecutivo, considerando que valem as suposições clássicas, como linearidade nos parâmetros, independência entre observações, homoscedasticidade, normalidade e ausência de multicolinearidade perfeita.

A estatística t para testar H₀: β_j = 0 segue uma distribuição t de Student com n - 1 graus de liberdade.

Considerando que um modelo de regressão linear apresenta a forma y = X ∙ β + ε , em que y é o vetor resposta, X é a matriz de covariáveis, β é o vetor de parâmetros e ε é o erro do modelo, julgue o próximo item acerca do estimador de mínimos quadrados (EMQ) e do estimador de máxima verossimilhança (EMV) para esse modelo.  

O EMQ requer menos suposições sobre distribuições que o EMV para ser consistente.  

Considerando que um modelo de regressão linear apresenta a forma y = X ∙ β + ε , em que y é o vetor resposta, X é a matriz de covariáveis, β é o vetor de parâmetros e ε é o erro do modelo, julgue o próximo item acerca do estimador de mínimos quadrados (EMQ) e do estimador de máxima verossimilhança (EMV) para esse modelo.  

Quando os erros são homoscedásticos e normalmente distribuídos, os estimadores EMQ e EMV são não viesados e atingem o limite inferior de Cramér-Rao.  

Considerando que um modelo de regressão linear apresenta a forma y = X ∙ β + ε , em que y é o vetor resposta, X é a matriz de covariáveis, β é o vetor de parâmetros e ε é o erro do modelo, julgue o próximo item acerca do estimador de mínimos quadrados (EMQ) e do estimador de máxima verossimilhança (EMV) para esse modelo.  

Para o EMV existir para uma regressão linear, a variável resposta deve seguir uma distribuição normal. 

Considerando que um modelo de regressão linear apresenta a forma y = X ∙ β + ε , em que y é o vetor resposta, X é a matriz de covariáveis, β é o vetor de parâmetros e ε é o erro do modelo, julgue o próximo item acerca do estimador de mínimos quadrados (EMQ) e do estimador de máxima verossimilhança (EMV) para esse modelo.  

O EMQ minimiza a soma do quadrado dos resíduos, independentemente da distribuição dos dados. 

Considerando que um modelo de regressão linear apresenta a forma y = X ∙ β + ε , em que y é o vetor resposta, X é a matriz de covariáveis, β é o vetor de parâmetros e ε é o erro do modelo, julgue o próximo item acerca do estimador de mínimos quadrados (EMQ) e do estimador de máxima verossimilhança (EMV) para esse modelo.  
Sob a suposição de erros com distribuição normal e variância constante, o EMQ e o EMV para β são idênticos.

Julgue o próximo item, relativo a testes de hipóteses.  

O teste qui-quadrado é um procedimento que permite analisar a associação entre variáveis numéricas.  

Julgue o próximo item, relativo a testes de hipóteses.  

O teste t de Student é um procedimento que compara as médias de duas amostras.

Julgue o próximo item, relativo a testes de hipóteses.  

A definição da potência de um teste é baseada na probabilidade do erro do tipo I.

Julgue o próximo item, relativo a testes de hipóteses.  

A escolha do nível de significância tem influência direta na potência de um teste. 

Julgue o próximo item, relativo a testes de hipóteses.  

A definição do nível de significância de um teste é baseada na probabilidade do erro do tipo II. 

Julgue o próximo item, relativo a testes de hipóteses.  

O nível de significância de um teste assume valores altos, tais como 90%, 95% e 99%.

Julgue o próximo item, relativo a testes de hipóteses.  

Testar hipóteses consiste, essencialmente, em avaliar a hipótese nula.  

Julgue o item subsequente, no que se refere a intervalos de confiança e à credibilidade de um parâmetro.

A construção de um intervalo de credibilidade independe da distribuição de probabilidade. 

Julgue o item subsequente, no que se refere a intervalos de confiança e à credibilidade de um parâmetro.

Um intervalo de credibilidade é baseado em informações prévias.