mostrar texto associado esconder texto associado O gráfico resíduos padronizados da regressão (no eixo das ordenadas) versus valores observados da variável resposta (no eixo das abscissas) permite verificar a suposição de normalidade residual.

mostrar texto associado esconder texto associado Considere que um pesquisador tenha ajustado um modelo de regressão linear simples com base em amostra com 10 observações, tendo observado que R² = 0,80 e var(Y) = 2,50, em que Y é a variável resposta. Nesse caso, se modelos com estatística F ≥ 5,32 forem considerados bem ajustados, é correto afirmar que o referido modelo não apresentou um bom ajuste.

mostrar texto associado esconder texto associado

Considere que, em um modelo de regressão linear simples, a matriz de covariância para as estimativas dos parâmetros seja dada por s² (b) = . Supondo-se que se deseje predizer o valor da variável resposta concernente aos dados x' _h = [1,0 1,5], é correto afirmar que a variância do valor predito será igual a s²_pred = [1,0 1,5] = 3,4 +3,6 = 7,0.

mostrar texto associado esconder texto associado Relativamente à estimação dos coeficientes de um modelo de regressão linear múltipla pelo método dos mínimos quadrados ordinários, é correto afirmar que se X for a matriz de dados e Y o vetor de respostas, no produto matricial H = (X' X) ^-1 X', denominado matriz hat, o número de colunas será igual ao número de linhas do vetor Y.

mostrar texto associado esconder texto associado Considere um teste cujas hipóteses sejam H_o: cβ = 0 e H₁: cβ ≠ 0, em que c é uma matriz de contrastes. Supondo-se que a matriz de covariância para as estimativas dos parâmetros (b) seja dada por s² (b) = QMR(X' X) ^-1 , é correto afirmar que a matriz de covariância usada para testar os contrastes será igual a s² (c) = QMR(c' X' Xc) ^-1 , em que X é a matriz de dados e QMR é o quadrado médio residual.