Questão 24860 · 38ª da prova
CESPE / CEBRASPE 2026 – SEFAZ-PR – Agente Fazendário: Modelos lineares
- Banca
- CESPE / CEBRASPE
- Órgão
- SEFAZ-PR
- Ano
- 2026
- Cargo
- Agente Fazendário
- Matéria
- Estatística
- Assunto
- Modelos lineares
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.
Considerando a situação hipotética apresentada e os conceitos de leverage, outliers e observações influentes, assinale a opção correta.
- AA presença simultânea dessas três observações com características distintas invalida o uso de mínimos quadrados ordinários, sendo necessário utilizar métodos robustos de estimação, como regressão quantílica ou M-estimadores, para a obtenção de resultados confiáveis.
- BAs três observações são igualmente problemáticas e devem ser removidas do conjunto de dados, pois qualquer observação com resíduo elevado ou alta alavancagem viola os pressupostos do modelo de regressão e compromete a validade das inferências estatísticas.
- CA i-ésima observação indica heterocedasticidade localizada e deve ser corrigida por meio de ponderação; a j-ésima observação sugere multicolinearidade que envolve essa observação específica; e a k-ésima observação demonstra não linearidade, que requer inclusão de termos polinomiais no modelo.
- DComo a k-ésima observação apresenta a maior distância de Cook, ela é necessariamente a única observação que deve ser investigada e potencialmente removida, ao passo que as observações i e j podem ser ignoradas na análise, independentemente de seus valores de resíduo ou alavancagem.
- EA i-ésima observação é um outlier sem influência substancial sobre as estimativas; a j-ésima observação tem potencial de influência devido ao leverage, mas está bem ajustada pelo modelo; e a k-ésima observação é genuinamente influente, pois combina posição extrema no espaço dos regressores com inadequação do ajuste, sendo a mais preocupante para a estabilidade das estimativas dos coeficientes.