Questões de Concurso sobre Análise de Resíduos

Uma Administração Tributária desenvolveu um modelo de aprendizado supervisionado para prever o risco de inadimplência tributária de contribuintes, com o objetivo de priorizar ações de fiscalização. Observou-se que o modelo apresenta excelente desempenho no conjunto de treinamento, mas desempenho significativamente inferior quando aplicado a novos contribuintes (conjunto de teste). Nesse caso, está ocorrendo

Na análise diagnóstica dos resíduos de um modelo de regressão múltipla estimado por mínimos quadrados ordinários, identificam-se três observações com características distintas: a i-ésima observação apresenta resíduo studentizado externamente superior a 3 em valor absoluto, mas baixo valor de alavancagem; a j-ésima observação apresenta alta alavancagem, mas resíduo próximo de zero; e a k-ésima observação apresenta, simultaneamente, resíduo studentizado moderado (aproximadamente 2) e alta alavancagem, o que resulta em distância de Cook substancialmente elevada.

Considerando a situação hipotética apresentada e os conceitos de leverage, outliers e observações influentes, assinale a opção correta.

Sobre a rede neural do tipo perceptron de camada única, assinale a alternativa correta.

Em um modelo de regressão linear estimado por mínimos quadrados ordinários, a análise gráfica dos resíduos revela que a dispersão dos erros aumenta sistematicamente conforme os valores ajustados crescem. Adicionalmente, observa-se que os testes de hipótese individuais indicam significância estatística para diversos coeficientes, mas o pesquisador suspeita que os intervalos de confiança e os p-valores podem estar incorretos.

Nessa situação hipotética, o modelo apresenta

Considere os resíduos ordinários de um modelo de regressão linear e_i = {–7, –6, –4, 0, 2, 5, 9}. Suponha que a variância residual do modelo seja $\hat{\sigma }$² = 20 e que, para todas as observações, o elemento diagonal da matriz chapéu seja h_ii = 0,20. Se os resíduos studentizados com módulo superior a 2 indicam observações potencialmente outliers, é correto afirmar que

A heteroscedasticidade pode ser detectada plotando-se os resíduos contra os valores ajustados e observando-se se a dispersão dos resíduos aumenta ou decresce sistematicamente com relação aos valores ajustados.

Em um modelo de regressão bem-ajustado, os resíduos devem mostrar padrões sistemáticos quando plotados contra os valores ajustados ${\hat{y}}_i$.

A análise de resíduos é uma etapa diagnóstica crucial na modelagem de regressão, permitindo a verificação dos pressupostos e a identificação de observações atípicas. Diferentes tipos de resíduos são calculados para diferentes finalidades. Assinale a alternativa que descreve corretamente o conceito e a utilidade dos resíduos studentizados (studentized residuals).

A análise de resíduos é uma etapa essencial na validação de modelos estatísticos, especialmente em regressão linear. Acerca dos resíduos e da sua análise, assinale a opção correta.

Os resíduos estudentizados são preferidos aos resíduos ordinários para a detecção de outliers, pois consideram o efeito alavanca de cada observação e possuem variâncias mais uniformes entre as observações.

Durante uma análise estatística com foco em modelagem preditiva, um analista de dados utilizou o S-Studio (RStudio) para aplicar um modelo de regressão linear múltipla. Após ajustar o modelo, ele inspecionou os valores de R-squared, Adjusted R-squared, p-values e os resíduos padronizados usando os gráficos gerados pela função plot(lm_model). Sabendo que o objetivo era avaliar a adequação do modelo e a validade das suposições da regressão, dentre os gráficos gerado pelo “plot()” de um objeto do tipo “lm”, verifica-se a homocedasticidade dos resíduos no:

A validade das inferências em um modelo de regressão linear depende da satisfação de certos pressupostos sobre os erros do modelo. Acerca da verificação desses pressupostos, registre V, para as afirmativas verdadeiras, e F, para as falsas:

(__)A homocedasticidade, pressuposto de que a variância dos erros é constante, é verificada por meio do Fator de Inflação de Variância (VIF), onde valores de VIF acima de 10 indicam a presença de heterocedasticidade.

(__)A normalidade dos resíduos pode ser avaliada graficamente por meio de um gráfico Q-Q (quantil-quantil), no qual a proximidade dos pontos a uma linha reta sugere que os resíduos seguem uma distribuição normal.

(__)A presença de multicolinearidade severa entre as variáveis preditoras invalida a capacidade preditiva do modelo de regressão, resultando em um valor de R² ajustado próximo de zero.

(__)O pressuposto de linearidade implica que a relação entre cada variável preditora e a variável resposta é linear. Uma violação deste pressuposto pode ser detectada analisando o gráfico de resíduos versus valores ajustados em busca de padrões não aleatórios, como uma curvatura.

Após análise, assinale a alternativa que apresenta a sequência correta dos itens acima, de cima para baixo:

Para um modelo de regressão que não seja simples, a soma dos resíduos não será nula.

Na análise de adequação do modelo, é fundamental verificar se a variância dos resíduos não depende da variável $X$.

Em um modelo de regressão linear múltipla Y = 𝛽₀ + 𝛽_𝑖𝑋_𝑖, defina o resíduo r_i = 𝑦_𝑖 -$\hat{y}$ como a diferença entre o valor observado e o estimado.

O valor esperado para o resíduo é:

Considere uma matriz B de dimensão n x n, com det(B) ≠ 0, e uma matriz identidade I de mesma dimensão da matriz B. Assinale a opção que apresenta corretamente o resultado da função solve(B,I) no software R.