Questões de Correlação (Estatística)

Limpar Busca

Os pressupostos do modelo de regressão linear simples estão relacionados às propriedades dos estimadores de Mínimos Quadrados Ordinários (MQO), Melhor Estimador Linear Não Tendencioso (BLUE) e Máxima Verossimilhança (MV).


Sobre essas vinculações, é correto afirmar que:

  • A a construção dos estimadores BLUE e MV usa diretamente os pressupostos, enquanto de MQO não;
  • B a normalidade dos erros pode ser dispensada para garantir as propriedades assintóticas dos estimadores de MQO;
  • C a eficiência dos estimadores de MQO não depende da identidade com os estimadores BLUE correspondentes;
  • D os pressupostos da heterocedasticidade e da autocorrelação nula são essenciais à consistência dos estimadores de MV;
  • E o pressuposto de que a variável explicativa é do tipo não estocástica impacta a consistência dos estimadores de MQO e MV, poupando os estimadores BLUE.

Após estimado um Modelo de Regressão Múltipla e obtidas as estimativas dos parâmetros, o passo seguinte é a análise da variância, através das somas de quadrados. A propósito estão disponíveis as seguintes informações:


SQE = soma de quadrados da equação = 2.400

SQR = soma de quadrados dos resíduos = 1.600

Tamanho da amostra n = 41

Número de regressores = 8

P(F8,32 > 3 ) = 0,9874

Assim sendo, é correto afirmar que:

  • A o R2 do modelo estimado é igual a 40%;
  • B a estatística F-Snedecor observada é igual a 6;
  • C a variância estimada dos resíduos é igual a 40;
  • D ao nível de significância de 98%, o modelo é rejeitado;
  • E o valor do R2 ajustado é igual a 0,55.

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 de mínimos quadrados dos parâmetros tornam-se menos eficientes, por aumento das variâncias;
  • B algumas das variáveis perdem por completo a sua capacidade de explicar o comportamento da variável dependente;
  • C o resultado da inferência estatística sobre o modelo torna-se menos confiável, por viés da estatística F-Snedecor;
  • D é necessário usar a estatística t-Student para testar as variáveis e retirar do modelo aquelas menos significativas;
  • E os resultados da inferência do modelo como um todo e sobre os parâmetros, individualmente, podem ser inconsistentes.

O modelo de regressão a seguir é formulado para que seja possível projetar a quantidade de novas ações que devem chegar ao TJ/AL, nos próximos anos.


A equação de regressão já é apresentada na sua versão final, com as estimativas dos parâmetros, junto com erros-padrão correspondentes:


Imagem relacionada à questão do Questões Estratégicas


Onde,

At= número de novas ações chegando ao TJ/AL no tempo t

PIBt = PIB na área de atuação do TJ/AL no tempo t

Eƒt =medida de eficiência do TJ/AL no tempo t

N = 100 (tamanho da amostra)

Todas as variáveis estão expressas em seus logaritmos.


Sobre os resultados e as perspectivas de uso do modelo, é correto afirmar que:

  • A os parâmetros da regressão são significativos ao nível de 5%;
  • B o p-valor do teste de significância do parâmetro da variável Ef é tal que P(|t|<4) = p-valor;
  • C a cada quatro unidades de variação do PIB, a quantidade de novas ações varia em uma unidade;
  • D se o PIB e a medida de eficiência variarem, cada uma, em 1%, a quantidade de ações irá variar em 3%;
  • E as estatísticas disponíveis indicam que a regressão apresenta um elevado grau de aderência às observações amostrais.

O coeficiente de correlação de duas variáveis aleatórias x e y é igual 0,7, ou seja: δ (x , y) = 0,7. O coeficiente de variabilidade de x é 0,3 ─ por γx =0,3. O coeficiente de variabilidade de y é 0,5 ─ γy =0,5. Com essas informações sobre as variáveis x e y, pode-se, corretamente, afirmar que:

  • A à medida que x cresce, em média y decresce.
  • B a variabilidade absoluta de x é maior do que a variabilidade absoluta de y.
  • C o desvio-padrão de x é 30% menor do que sua média.
  • D o desvio-padrão de y é 50% de sua média.
  • E o desvio-padrão de y é 50% maior do que sua média.