Um pesquisador estima dois modelos de regressão aninhados: o modelo completo contém p variáveis explicativas além do intercepto, e o modelo reduzido, q variáveis explicativas além do intercepto, em que q < p. Ambos os modelos são estimados com os mesmos n dados. Para testar se as (p − q) variáveis adicionais do modelo completo contribuem significativamente para explicar a variação na variável resposta, o pesquisador calcula a diferença entre as somas dos quadrados dos resíduos dos dois modelos e constrói uma estatística F parcial. O teste resulta em um p-valor de 0,12 ao nível de 5%, o que implica a não rejeição da hipótese nula. Simultaneamente, ao examinar o modelo completo, o pesquisador observa que o teste F global é altamente significativo (p-valor < 0,001).
Nessa situação hipotética,

Na aplicação de um modelo de regressão linear múltipla com intercepto, um pesquisador observou que a soma dos quadrados da regressão representava 75% da soma dos quadrados total, o que indicava coeficiente de determinação de 0,75. Ao testar a significância global do modelo por meio do teste F, ele obteve um p-valor de 0,08 ao nível de 5%. O pesquisador, então, decidiu remover uma variável explicativa que apresentou o maior p-valor no teste t individual e reestimar o modelo. No novo modelo, a soma dos quadrados da regressão diminuiu, mas surpreendentemente o teste F global indicou significância ao nível de 5%.
A partir dessa situação hipotética, assinale a opção correta no que diz respeito à explicação para o fenômeno aparentemente paradoxal verificado.

Utilizando um modelo de regressão linear simples para relacionar o peso de veículos com seu consumo de combustível, um analista realizou a análise de variância (ANOVA) e obteve um valor F bastante elevado, com p-valor muito próximo de zero.
Nessa situação hipotética,

Um analista tributário analisou a relação entre a cotação do dólar e a arrecadação mensal de ICMS (em milhões de reais). Após estimar o modelo de regressão, ele construiu um intervalo de confiança de 95% para o coeficiente angular (inclinação da reta), tendo obtido o seguinte resultado: [0,8 ; 3,2].
Tendo por base a situação hipotética apresentada, assinale a opção correta acerca da relação entre a cotação do dólar e a arrecadação mensal do ICMS.

Ao estimar um modelo de regressão linear simples para explicar o salário em função dos anos de experiência profissional, um pesquisador obteve um coeficiente angular (inclinação) estimado de 2.500 reais por ano de experiência, com um p-valor de 0,001.
Com base nessa situação hipotética e considerando um nível de significância de 5%, assinale a opção correta acerca da relação entre experiência e salário.

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

Em um modelo de regressão múltipla estimado por mínimos quadrados ordinários, observa-se que duas variáveis explicativas apresentam correlação muito alta entre si. Adicionalmente, um dos coeficientes estimados apresenta sinal contrário ao esperado pela teoria, e os erros-padrão dos coeficientes são substancialmente elevados.
A partir dessa situação hipotética, é correto concluir que o modelo em questão apresenta

Um modelo de regressão linear múltipla com n observações e p variáveis explicativas (além do intercepto) é estimado por meio do método dos mínimos quadrados ordinários (com p < n). O coeficiente de determinação ajustado é substancialmente menor que o coeficiente de determinação não ajustado e a soma dos quadrados dos resíduos é numericamente próxima à soma de quadrados total. Adicionalmente, nenhum dos testes t individuais para os coeficientes apresentam significância estatística ao nível de 5%, embora o teste F global indique que o modelo como um todo é significativo ao mesmo nível.
Nessa situação hipotética,

O método dos mínimos quadrados ordinários será utilizado em um modelo de regressão linear simples para se encontrar a reta que melhor se ajusta aos dados observados em determinada situação.
Nesse caso, o método dos mínimos quadrados ordinários permitirá

Os modelos de regressão linear tornaram-se uma maneira comprovada de prever o futuro de forma científica e confiável. Devido ao fato de a regressão linear ser um procedimento estatístico consolidado, as propriedades dos modelos de regressão linear são bem conhecidas. Internet:<ibm.com> .
Em um modelo de regressão linear simples, o método de estimação por máxima verossimilhança (EMV)