A verificação dos pressupostos do modelo de regressão linear múltipla é fundamental para a garantia das propriedades dos estimadores dos parâmetros, na dependência do método de estimação a ser empregado. Nesse contexto: A) a perda da homocedasticidade incide diretamente sobre a consistência dos estimadores de BLUE; B) na presença de multicolinearidade os estimadores de MQO passam a ser, estatisticamente, ineficientes; C) se a hipótese de esperança nula do termo aleatório for violada, tanto o estimador do parâmetro que representam o efeito fixo quanto os demais de MQO serão tendenciosos; D) as hipóteses de média nula e inexistência de autocorrelação serial entre os erros quando combinadas acabam implicando na independência entre eles; E) o método da máxima verossimilhança aplicado à estimação dos parâmetros de uma regressão tem a vantagem de gerar um estimador também para a variância dos erros.

E) o método da máxima verossimilhança aplicado à estimação dos parâmetros de uma regressão tem a vantagem de gerar um estimador também para a variância dos erros.

A verificação dos pressupostos do modelo de regressão linear múltipla é fund...

1Q975163 | Estatística, Propriedades dos estimadores, Estatística, TJBA, FGV

A verificação dos pressupostos do modelo de regressão linear múltipla é fundamental para a garantia das propriedades dos estimadores dos parâmetros, na dependência do método de estimação a ser empregado. Nesse contexto:

✂️ a) a perda da homocedasticidade incide diretamente sobre a consistência dos estimadores de BLUE;
✂️ b) na presença de multicolinearidade os estimadores de MQO passam a ser, estatisticamente, ineficientes;
✂️ c) se a hipótese de esperança nula do termo aleatório for violada, tanto o estimador do parâmetro que representam o efeito fixo quanto os demais de MQO serão tendenciosos;
✂️ d) as hipóteses de média nula e inexistência de autocorrelação serial entre os erros quando combinadas acabam implicando na independência entre eles;
✂️ e) o método da máxima verossimilhança aplicado à estimação dos parâmetros de uma regressão tem a vantagem de gerar um estimador também para a variância dos erros.