Seu próximo nível começa aqui
Seu desenvolvimento não pode ter limites. Garanta sua Assinatura Ilimitada e libere uma preparação completa com os melhores professores do Brasil.
Em um modelo de regressão linear simples estimado por mínimos quadrados ordinários, um ...
Em um modelo de regressão linear simples estimado por mínimos quadrados ordinários, um analista observa que a análise de variância decompõe apropriadamente a soma de quadrados total em soma de quadrados da regressão e soma de quadrados dos resíduos. Ao examinar o gráfico de resíduos versus valores ajustados, o analista identifica um padrão claro em formato de parábola (U invertido). Adicionalmente, ao calcular a correlação entre os resíduos ordinários e os valores ajustados, ele obtém valor próximo de zero. O analista também nota que, ao estimar o modelo por meio de máxima verossimilhança sob pressuposto de normalidade, os estimadores dos coeficientes de regressão são numericamente idênticos aos obtidos por mínimos quadrados, mas o estimador de máxima verossimilhança da variância do erro é ligeiramente menor que o estimador usual não viesado.
Nessa situação hipotética,
A
a identidade numérica entre estimadores MQO e MV dos coeficientes implica que a decomposição da variância pela análise de variância é ótima e, portanto, o padrão parabólico nos resíduos não representa problema real, mas flutuação amostral aleatória, que desapareceria com o aumento do tamanho amostral, o que valida o modelo linear simples estimado.
B
o padrão parabólico indica inadequação da forma funcional linear, o que sugere não linearidade na relação verdadeira entre as variáveis, ao passo que a correlação zero entre resíduos ordinários e valores ajustados é uma propriedade algébrica que sempre vale em regressão por mínimos quadrados, não servindo como diagnóstico de adequação do modelo; a diferença entre estimadores MV e MQO da variância reflete que o estimador MV usa divisor n enquanto o não viesado usa n − 2.
C
o padrão parabólico demonstra violação do pressuposto de homogeneidade de variâncias, e a solução adequada envolve a utilização de estimadores de mínimos quadrados ponderados, em que os pesos são inversamente proporcionais à variância estimada em cada ponto, o que corrige simultaneamente o padrão residual e aumenta a eficiência dos estimadores.
D
o padrão parabólico nos resíduos combinado com correlação zero entre resíduos e valores ajustados indica que o modelo está corretamente especificado e todos os pressupostos são atendidos, pois a propriedade de ortogonalidade entre resíduos e predições é garantida algebricamente pelo método de mínimos quadrados, independentemente da forma funcional.
E
a correlação zero entre resíduos e valores ajustados prova que não há heterocedasticidade no modelo, e o padrão parabólico observado é artefato visual causado por observações influentes que devem ser identificadas por meio da distância de Cook e removidas para revelar a verdadeira estrutura linear dos dados.