Dentre os itens abaixo, identifique as premissas básicas para o modelo de regres...

Questão de Probabilidade e Estatística da banca CESGRANRIO aplicada no concurso IBGE (2010). Confira a resolução completa abaixo:

Q542668•
Probabilidade e Estatística•
Regressão•
CESGRANRIO•
IBGE•
Estatístico

Dentre os itens abaixo, identifique as premissas básicas para o modelo de regressão.

I - Linearidade do fenômeno medido

II - Variância não constante dos termos de erro (heterocedasticidade)

III - Normalidade dos erros

IV - Erros correlacionados

V - Presença de colinearidade

São premissas APENAS os itens

Questões Relacionadas

Q542729•
Probabilidade e Estatística•
Regressão•
CESGRANRIO•
Liquigás Distribuidora SA•
Profissional Júnior

A análise de regressão de lances livres convertidos de 29 times da NBA, durante a temporada de 2010-2011, revelou uma reta de regressão ajustada Y = 55,20 + 0,73X com R² = 0,87 e S (desvio padrão da amostra) = 53,20. O total de lances livres convertidos depende exclusivamente dos lances livres arremessados. O intervalo de variação observado de lances arremessados foi de 1.502 (New York Knicks) a 2.382 lances (Golden State Warriors).

Qual é, aproximadamente, o número esperado de lances livres convertidos para um time que faz dois mil arremessos de lance livre?

Q543204•
Probabilidade e Estatística•
Regressão•
VUNESP•
DCTA SP•
Tecnologista Pleno I

Um diagrama de correlação ou de dispersão fornece uma representação da relação entre duas variáveis, verificando a maior ou menor (ou não se verificando) dependência de uma variável para outra. Pelos pontos obtidos de cada uma dessas variáveis, no diagrama de dispersão, é possível traçar o seguinte modelo matemático:

Q543764•
Probabilidade e Estatística•
Regressão•
FGV•
Tribunal de Justiça nbsp AL•
Analista Judiciário•
2018

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:

os estimadores de mínimos quadrados dos parâmetros tornam-se menos eficientes, por aumento das variâncias;

algumas das variáveis perdem por completo a sua capacidade de explicar o comportamento da variável dependente;

o resultado da inferência estatística sobre o modelo torna-se menos confiável, por viés da estatística F-Snedecor;

é necessário usar a estatística t-Student para testar as variáveis e retirar do modelo aquelas menos significativas;

os resultados da inferência do modelo como um todo e sobre os parâmetros, individualmente, podem ser inconsistentes.

Notificações

Nada por aqui