Questões de Concursos Regressão

O Método de Mínimos Quadrados (MQ), o Método dos Momentos (MM) e o de Máxima Verossimilhança (MV) estão entre os mais usados para estimação pontual de parâmetros.

Sobre esses, é correto afirmar que:

Ao analisar um modelo de regressão com uma variável explicativa, um pesquisador realizando o teste de Durbin-Watson obteve o valor 2,01. De acordo com o resultado obtido podemos afirmar que:

Em modelos de regressão múltipla, alguns pressupostos complementares são formulados para que os parâmetros possam ser estimados de forma satisfatória. Um deles trata da micronumerosidade e outro do tamanho da amostra.

Sobre essas duas adições, é correto afirmar que:

Em um estudo clínico utilizou-se um modelo de regressão logística em que y é a variável resposta, como preditor linear, a expressão a + bx + cz, em que x = 0 para o grupo placebo e x = 1 para o grupo de tratamento; z é uma medida de colesterol (em escala de 0 a 5) antes do início do tratamento. Com base nessas informações, julgue os itens subsequentes.

A variável resposta y é binária.

Com respeito ao modelo de regressão linear simples, assinale a opção correta.

Um modelo linear (reta) de regressão apresenta inclinação igual a 1,5 e intercepção igual a 10.

Qual é o valor da variável dependente de acordo com o modelo de reta quando a variável independente vale 20?

Um analista estudou o pagamento dos valores Y (em R$ mil) das custas processuais em ações trabalhistas. Com base em uma amostra aleatória simples de processos judiciais, ele concluiu que a variável Y se relaciona linearmente com o valor da causa X (em R$ mil), conforme uma reta ajustada pelo método de mínimos quadrados ordinários na forma Y = 0,1 × X + 200. A média populacional e a amostral da variável X foram, respectivamente, iguais a R$ 100 mil e R$ 90 mil.

O ajuste de uma reta de regressão linear se faz por meio do método de:

Um modelo de regressão linear múltipla, com intercepto, consiste de uma variável dependente, 3 variáveis explicativas e com base em 12 observações. As estimativas dos parâmetros do modelo foram obtidas pelo método dos mínimos quadrados e o valor encontrado da estatística F (F calculado) utilizado para testar a existência da regressão foi igual a 14. O coeficiente de explicação (R²), definido como sendo o resultado da divisão da variação explicada pela variação total, é, em %, igual a

Em uma regressão linear as propriedades dos estimadores de MQO estão relacionadas com a validade dos pressupostos sobre os erros aleatórios.

Sobre essa correspondência entre propriedades e pressupostos, é correto afirmar que:

Em relação aos métodos numéricos, julgue os itens que se seguem.

Considere um conjunto de n pontos amostrados (x_i, y_i), em que x_i < x_j se i < j; i, j = 1, …, n. Nessa situação, ao contrário do que ocorre na regressão, um modelo f obtido por interpolação deve passar por todos esses n pontos amostrados, isto é, y_i = f(x_i).

Julgue os itens a seguir, referentes à análise dos resíduos e da qualidade de ajuste dos modelos de regressão.

Considere que um pesquisador, ao ajustar um modelo de regressão de Y explicado pelas variáveis X₁ e X₂, tenha observado que, no gráfico dos resíduos do modelo de Y explicado por X₂ contra os resíduos de X₁ explicado por X₂, havia uma relação quadrática. Nesse caso, o diagnóstico indica que a relação entre a variável resposta Y e X₂ é quadrática.

As principais motivações para usar estimadores de razão e regressão são:

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

Suponha que não exista associação linear entre duas variáveis X e Y e que um número de observações suficientemente grande de pares (X,Y) esteja disponível para o estudo da regressão linear de Y em X. Assinale a opção que corresponde, nesse caso, aproximadamente, ao quadrado médio do erro.

Em uma regressão logística, considere a variável resposta (Y) como óbito de recém-nascidos (1 indica morte, 0 indica não morte) e a variável explicativa (X) sendo peso ao nascer, em quilos. O resultado do cálculo de E(Y) quando X vale 1,0 é 0,7. Esse 0,7 é a probabilidade de o recém-nascido