QuestLab Plataforma Inteligente de Questões
Banco público de questões

Questões para Concursos

Pesquise questões reais por disciplina, assunto, tópico, banca, órgão, cargo, ano e modalidade.

Questões por banca

29 bancas disponíveis. Clique para visualizar todas.

Encontre as questões que procura
Limpar filtros
15 questões encontradas

A técnica estatística de análise de regressão é uma das principais ferramentas para se obterem estimativas. Acerca desse tema, assinale a alternativa correta.

A A análise de regressão consiste no estudo da dependência de uma variável, denominada variável dependente, em relação a uma ou mais variáveis, conhecidas como explanatórias, buscando estimar o valor médio da população da primeira em termos dos valores conhecidos das segundas, obtidos por amostragens repetidas.
B Uma relação estatística, quando forte e sugestiva, indica o estabelecimento de conexão causal.
C Uma variável estocástica é aquela que pode ser predita com certeza, e não probabilisticamente.
D A análise de regressão da dependência de uma variável em relação a duas variáveis explanatórias é conhecida como análise de regressão simples.
E Uma série temporal é uma observação de vários dados em um mesmo ponto do tempo.

Em uma regressão linear as propriedades dos estimadores de MQO estão relacionadas com a validade dos pressupostos sobre os erros aleatórios. Sobre essa correspondência entre propriedades e pressupostos, é correto afirmar que:

A se as variâncias dos erros não são constantes, os estimadores tornam-se inconsistentes;
B em havendo autocorrelação serial dos erros, MQO irá gerar estimadores tendenciosos;
C se houver correlação entre qualquer explicativa e os erros, os estimadores serão ineficientes;
D caso os erros não sejam normais, não é possível garantir as propriedades assintóticas dos estimadores;
E se alguma das variáveis explicativa for estocástica, os estimadores de MQO serão assintoticamente tendenciosos.

Em modelos de regressão múltipla, alguns pressupostos complementares são formulados para que os parâmetros possam ser estimados de forma satisfatória. Um deles trata da micronumerosidade e outro do tamanho da amostra. Sobre essas duas adições, é correto afirmar que:

A quanto mais intensa for a micronumerosidade, mais precisos serão os estimadores de MQO;
B o número de parâmetros de um modelo deve ser sempre superior ao tamanho da amostra disponível para a estimação;
C quanto maior o número de parâmetros em uma regressão, menor será a variância estimada dos erros;
D se duas variáveis estão provocando a micronumerosidade, ambas devem ser excluídas da equação de regressão;
E a micronumerosidade pode não ser um problema sério caso a regressão seja usada para projeções e não para estimações.

Suponha que a seguinte regressão seja estimada para homens e mulheres em separado: W = a + b*(Educ) + u, em que, w é o logaritmo neperiano do salário, Educ representa os anos de estudos, a e b são parâmetros do intercepto e da inclinação a serem estimados por mínimos quadrados ordinários e u é o termo aleatório. Sendo ah e bh as estimativas dos parâmetros do intercepto e da inclinação, respectivamente, para o universo dos homens e, am e bm, as estimativas dos parâmetros do intercepto e da inclinação, respectivamente, para as mulheres. Para se verificar se os homens apresentam um retorno monetário da educação maior do que as mulheres deve-se testar a seguinte hipótese nula:

A ah=bh
B ah=am
C ah=bm
D bh=bm
E bh=am

Em modelos de regressão linear existem três métodos de estimação mais frequentemente empregados. São eles o de Mínimos Quadrados Ordinários (MQO), o do Melhor Estimador Linear Não Tendencioso (BLUE) e o de Máxima Verossimilhança (MV). Sobre esses métodos, supondo válidos os pressupostos básicos do modelo, é correto afirmar que:

A todos geram os mesmos estimadores para os parâmetros da equação do modelo;
B os estimadores de MQO estão baseados nas propriedades dos próprios estimadores;
C os estimadores de MV são todos não tendenciosos;
D os estimadores obtidos pelo BLUE são mais eficientes do que os de MQO e de MV;
E os estimadores de MV não dependem da distribuição de probabilidades dos erros.