Questões de Concurso sobre Regressão

Na análise de agrupamento hierárquico, é correto determinar a quantidade de grupos a serem formados com base em uma medida de dissimilaridade.

Se um dos participantes do tratamento sentiu náuseas, tontura e sonolência, então ele, necessariamente, participou do tratamento 1.

Se um dos participantes do tratamento seguiu corretamente as recomendações médicas e não sentiu sonolência nem tontura, então ele participou do tratamento 2.

Para se fazer corretamente inferências estatísticas sobre o modelo de regressão linear ordinário Y_i = β₀ + β₁X_1i + β₂X_2i + ... + β_pX_pi + ε_i, i = 1, 2, ..., n, onde n é o tamanho da amostra, é necessário que

I. os erros ε_i, i = 1, 2, ..., n, sejam variáveis aleatórias com distribuição gaussiana de média zero e variância σ².

II. os erros ε_i, i = 1, 2, ..., n, sejam independentes entre si.

III. as variáveis explicativas (X₁, X₂, ..., X_p) tenham distribuição gaussiana com médias μ₁, μ₂, ... , μ_p, respectivamente, e variância constante.

IV. os erros ε_i, i = 1, 2, ..., n, e as variáveis explicativas (X₁, X₂, ... , X_p) não sejam correlacionados entre si.

Assinale

Sobre o modelo de regressão ponderada espacialmente (Geographically Weighted Regression – GWR), é correto afirmar que

Os diferentes tipos de dados espaciais são tradicionalmente classificados de acordo com uma tipologia de quatro categorias. Essa categorização diz respeito à natureza estocástica da observação. Além das categorias, “dados de processos pontuais” e “dados de superfícies aleatórias”, duas outras categorias fazem parte da tipologia, que são os dados.

Considere que, em um modelo de regressão linear simples ajustado em uma amostra de tamanho n = 16, tenha sido obtido um valor crítico para a análise de variância do teste de ajuste do modelo igual a 4,54. Nesse cenário, se o modelo estiver bem ajustado, o coeficiente de determinação será maior que 5/6.

Nas sucessivas iterações do método simplex, nem sempre é mantida a viabilidade das novas soluções, garantindo-se, somente, que a solução final seja viável.

A variação explicada pelo modelo de regressão apresenta o valor de

A variável resposta y é binária.

Considere que o processo de produção seja alterado para elevar o valor do índice C_pk, mantendo-se o índice C_p = 2,0. Nessa situação, não é possível obter um novo índice C_pk superior a 2,0.

Os exemplos de métodos que permitem estimar as componentes T e S da série temporal z incluem as médias móveis, a suavização exponencial e a regressão.

Em um modelo de regressão linear múltipla envolvendo a variável dependente e 4 variáveis explicativas, obtiveram-se as estimativas dos respectivos parâmetros utilizando o método dos mínimos quadrados. O número de observações para a dedução da correspondente equação foi de 20. Construindo o quadro de análise de variância, com o objetivo de testar a existência da regressão, tem-se para utilização da estatística F de Snedecor os graus de liberdade no numerador e no denominador com, respectivamente,

A técnica de componentes principais pode ser utilizada para se diagnosticar multicolinearidade em problemas de regressão linear.

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).

Considerando-se exp(c) = 0,7, se x se mantiver constante, então o aumento em uma unidade na medida de colesterol implicará em redução de 30% na chance de sucesso (y = 1).

Um estudo apresentou em seu relatório um problema de programação linear que é descrito abaixo.

Minimizar: Z = 10 x + 25 y

Sujeito a: 2 x + y ≥ 5

x + 2y ≥ 7

x + 3 y ≥ 9

x ≥ 0 e y ≥ 0

Os valores de x e y são, respectivamente,

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

Considere o modelo de regressão linear a seguir.

$y={\beta }_0+{\beta }_1{x}_1+{\beta }_2{x}_2+{\beta }_3{x}_3+{\beta }_4{x}_4+\epsilon ,\epsilon \sim NID\left(0,{\sigma }^2\right)$

Este modelo foi ajustado a uma amostra de 145 observações, sob as seguintes restrições:

3 β₁ + β₂ = 0

β₂ = -β₃

β₃ + 2β₄ = 1

As somas dos quadrados dos erros com e sem as restrições são as seguintes:

soma dos quadrados dos erros com as restrições = 100;

soma dos quadrados dos erros sem restrições = 70.

O valor da estatística F adequada para testar a validade das restrições é