Questões de Concurso Público STM 2018 para Analista Judiciário - Estatística

Considerando que seja uma variável resposta ajustada por um modelo de regressão em função de uma variável explicativa X, que x₁, ... ,x_n representem as réplicas de X e que â e sejam as estimativas dos parâmetros do modelo, julgue o item a seguir.

No método de mínimos quadrados, a condição de estimativas não viesadas significa que os erros terão variância positiva.

Considerando que seja uma variável resposta ajustada por um modelo de regressão em função de uma variável explicativa X, que x₁, ... ,x_n representem as réplicas de X e que â e sejam as estimativas dos parâmetros do modelo, julgue o item a seguir.

Um modelo na forma , em que e , apesar de ser exponencial em sua estrutura original, é linearizável, podendo ser tratado pelos métodos de regressão linear.

Considerando que seja uma variável resposta ajustada por um modelo de regressão em função de uma variável explicativa X, que x₁, ... ,x_n representem as réplicas de X e que â e sejam as estimativas dos parâmetros do modelo, julgue o item a seguir.

Em um modelo linear , com coeficientes obtidos pelo método dos mínimos quadrados ordinários, sendo , a média dos valores estimados de Y é igual à média dos valores de X multiplicados por

Considerando que seja uma variável resposta ajustada por um modelo de regressão em função de uma variável explicativa X, que x₁, ... ,x_n representem as réplicas de X e que â e sejam as estimativas dos parâmetros do modelo, julgue o item a seguir.

Em um modelo linear , a hipótese de homoscedastiscidade significa que a variância dos erros deve ser constante, e o valor esperado dos erros deve ser zero.

Considerando que seja uma variável resposta ajustada por um modelo de regressão em função de uma variável explicativa X, que x₁, ... ,x_n representem as réplicas de X e que â e sejam as estimativas dos parâmetros do modelo, julgue o item a seguir.

No modelo linear Y = α + βX + e, considere que para cada valor x_i de X corresponda um erro e_i , que é uma variável aleatória. Nessa situação, a hipótese de erros não autocorrelacionados implica que cov(e_i , e_j ) = 0 para i ≠ j.

A respeito dessa situação hipotética, julgue o item que se segue.

A heteroscedasticidade é um problema que surge quando o valor esperado dos erros não é zero.

A respeito dessa situação hipotética, julgue o item que se segue.

Serepresentar o estimador de mínimos quadrados ordinários do coeficiente b, então 

Com base nas informações e na tabela apresentadas, julgue o próximo item.

Dado o valor crítico da estatística t de Student para 8 graus de liberdade a 5% de significância, t_8;5% = 2,3, rejeita-se a hipótese de que cada um dos coeficientes da regressão seja nulo.

Com base nas informações e na tabela apresentadas, julgue o próximo item.

O valor de a reflete a quantidade de variáveis explicativas, e deve ser igual a 3.

Com base nas informações e na tabela apresentadas, julgue o próximo item.

A soma dos quadrados totais é igual a 2.016.000.

Com base nas informações e na tabela apresentadas, julgue o próximo item.

Fixando-se determinado ponto (X₁ , X₂), a ocorrência do evento representado por D faz que a estimativa de Y diminua em mais de 80 unidades.

Com base nas informações e na tabela apresentadas, julgue o próximo item.

O coeficiente de determinação ajustado dessa regressão, , é maior que o coeficiente de determinação R² .

Considerando um modelo de regressão linear com erros heteroscedásticos, julgue o item seguinte.

Para corrigir a heteroscedasticidade, como regra geral, é suficiente fazer a regressão da variável dependente em função das raízes quadradas das variáveis independentes.

Considerando um modelo de regressão linear com erros heteroscedásticos, julgue o item seguinte.

Para um modelo de regressão linear na forma Y = α + βX + e, em que Y representa a variável resposta, X é a variável regressora, e e denota o erro aleatório, o teste de Goldfeld–Quandt consiste em fazer duas regressões: uma com os maiores valores de X e outra com os menores valores de X, e verificar se as variâncias são distintas.

Considerando um modelo de regressão linear com erros heteroscedásticos, julgue o item seguinte.

Para um modelo de regressão linear múltiplo, o teste de White permite detectar a heteroscedasticidade a partir da regressão de cada erro estimado da regressão original com as variáveis explicativas e seus inversos.

A respeito da autocorrelação dos erros de um modelo de regressão linear, julgue o item subsequente.

A autocorrelação dos erros, desde que não seja unitária em termos absolutos, insere um viés nas estimativas da variável dependente.

A respeito da autocorrelação dos erros de um modelo de regressão linear, julgue o item subsequente.

O teste de Durbin–Watson é um teste que permite identificar a autocorrelação serial de primeira ordem.

A respeito da autocorrelação dos erros de um modelo de regressão linear, julgue o item subsequente.

Como regra geral, a presença de autocorrelação dos erros é um problema que não pode ser corrigido, de modo que a modelagem por regressão deve ser abandonada quando detectado esse problema.

A respeito da autocorrelação dos erros de um modelo de regressão linear, julgue o item subsequente.

Ocorre autocorrelação dos erros caso os erros da regressão sigam um processo autorregressivo de ordem 1, ou seja, um AR(1).

A respeito da autocorrelação dos erros de um modelo de regressão linear, julgue o item subsequente.

Na presença de autocorrelação de erros, o estimador mais eficiente da regressão por mínimos quadrados ordinários continua sendo BLUE (best linear unbiased estimator), ou seja, melhor estimador linear não viesado.