Questões de Concurso

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.