2) Suponha que você está desenvolvendo uma pesquisa e estima o seguinte modelo de

regressão: Yi = β0 + β1X1i + β2X2i + β3X3i + ui

No entanto, o modelo correto a ser estimado deveria ser: Yi = β0 + β1X1i + β2X2i + ui

Explique quais são os problemas que isso poderia acarretar para a sua pesquisa (Dica: fale
sobre os estimadores, a variância e os testes de significância).

De acordo com a descrição, o modelo foi sobre-especificado, tendendo a produzir

estimativas menos precisas. A consequência disso é que é causar um viés das variáveis
preditoras, ou seja, a perda da predição ou de medição das unidades que se busca nos
objetivos da pesquisa.

Há algumas maneiras para lidar com isso. Os testes de significância contribuem para que se
emita uma espécie de aviso. Como os testes envolvem o valor p, e o erro padrão (para o
teste T por exemplo), conseguimos ter uma melhor noção de cada coeficiente ou de todos
juntos. A depender do tipo de teste, iremos visualizar se o modelo está sobre estimado ou
subestimado, ou mais adequado. A partir desse ponto, podemos testar após se há a
variância não-constante dos erros (heterocedasticidade).

Uma alternativa para que esse tipo de problema não ocorra é comparar estatísticas da
regressão, podendo deixar os coeficientes padronizados, assim é possível fazer uma
comparação direta entre seus coeficientes. Também, a posteriori, fazer um teste dos
resíduos ajuda no problema, pois pode indicar se uma ou mais suposições do modelo foram
violadas.

Por fim, um aviso final é que para identificar as variáveis mais importantes em um modelo
de regressão é fundamental entender a teoria por de trás do modelo, ter em mente os
conhecimentos da área.

3) Por que o coeficiente de determinação não é o melhor critério para a seleção de modelos?
Qual critério você julga ser melhor? Explique.

O Coeficiente de determinação r² é a proporção em y que pode ser explicada pela relação

linear entre x e y. Porém, ele não é um dos melhores critérios para a seleção de um modelo,
ou seja, em palavras mais simples, dizer que um modelo é bom apenas pelo coeficiente. O
Primeiro modelo é que por vezes há o erro de comparar qual modelo é “melhor” pelo r², e
isso muitas vezes não faz muito sentido, pois em sua maioria os modelos de regressão tem
sua especificação de maneira diferente, respondendo a diferentes problemas. Logo o r², na
maioria das vezes também não pode ser comparado.

Outro ponto a ser destacado é que se confunde muitas vezes ao cair no erro e dizer que o r²
indica adequação ao modelo. Então vale destacar duas coisas, o R quadrado não condiz com
a adequação, pois é possível ter R quadrado baixo que se encaixa bem e um R quadrado alto
com encaixe ruim ao modelo especificado. Em áreas como a psicologia, é normal ter um
valor de R quadrado baixo, pois lida-se com comportamento. O segundo ponto é que o R
quadrado não consegue determinar se as estimativas e predições (caso seja uma regressão
de predição) dos coeficientes são tendenciosas, para isso existem alguns testes ou a forma
mais simples que é avaliar o gráfico de resíduos.

Então pensemos que mesmo com um R quadrado baixo, ainda é possível entender se os
preditores (significativos) estão gerando alterações nos valores das variáveis preditoras (x)
estão associadas a alterações no valor da variável resposta (y). Isso ocorre porque
independente do R², os coeficientes irão mostrar a mudança em unidade em média na
resposta na preditora, com as outras variáveis constantes. Também se aplica para o caso
contrário, por vezes um coeficiente alto pode indicar problema com o modelo de regressão,
como autocorrelação, entre outros problemas como verificar o gráfico de resíduos.

O melhor critério para o modelo é um teste de hipótese formal para o relacionamento das
variáveis. A resposta nesse caso seria o Teste F para significância Global, determinando se a
relação estatística é significativa.

4) Julgue as alternativas, justificando quando forem Falsas:

A. ( ) O Caso da Multicolinearidade perfeita acontece quando você escolhe uma categoria para
ser a categoria de referência e introduz (m − 1) variáveis binárias (sendo m o número de
categorias).

Falso. De acordo com a teoria, a multicolineariedade perfeita ocorre quando é montada a

equação da regressão e utiliza-se uma variável dummy para cada grupo/categoria. Isso faz
com que ocorra relações lineares exatas entre as variáveis. Para evitar a multicolineariedade
perfeita, utilizamos a escolha de uma categoria de referência na qual introduz (m-1)
variáveis binárias.

B. ( ) Entende-se por mudança estrutural quando os valores dos parâmetros do modelo se

mantém iguais durante todo o período considerado. Assim, pode-se usar tanto o Teste Chow
como Variáveis Binárias para verificar este fato.

Falso. Mudança estrutural é quando os valores dos parâmetros do modelo não se mantêm
iguais durante todo o período de tempo. Para fazer o teste de estabilidade estrutural de um
modelo de regressão podemos utilizar o teste de Chow como variáveis binárias. No caso,
seria para informar se dois ou mais regressões são diferentes, sem mencionar qual a origem
da diferença que pode ser analisada por meio das variáveis binárias.

C. ( ) Quando estimamos um modelo no qual a variável endógena é quantitativa e as exógenas

qualitativas, os coeficientes das variáveis exógenas são chamados de coeficientes diferenciais
de intercepto.

Falso. Para que os coeficientes das variáveis exógenas sejam considerados coeficientes
diferenciais de intercepto, é necessária uma categoria de referência. No caso de todas as
variáveis qualitativas serem inclusa no modelo (acompanhado das dummies), não teremos o
intercepto e exluiremos a referência do modelo.

D. ( ) Mesmo na presença de heterocedasticidade os estimadores de Mínimos Quadrados

Ordinários continuam eficientes.

Falso. Na presença de heterocedasticidade, os estimadores de mínimos quadrados

ordinários não são eficientes pois não é considerado a variabilidade desigual das
observações, não possuindo assim a variância. A estimação por meio dos Mínimos
Quadrados Generalizados irá considerar essa variabilidade desigual.

E. ( ) Mesmo na presença de autocorrelação os estimadores de Mínimos Quadrados Ordinários

são não viesados e consistentes.

Verdadeiro.
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________