A respeito do método de estimação por MQO, julgue o item que se segue.

Um elevado valor da estatística R² em um modelo de regressão linear simples com uma variável independente x e uma variável dependente y implica, necessariamente, causalidade entre y e x.

A respeito do método de estimação por MQO, julgue o item que se segue.

Na análise de séries temporais, a suposição de ausência de autocorrelação serial dos resíduos deve sempre ser verificada para garantir que os estimadores de mínimos quadrados ordinários sejam não viesados e consistentes.

Acerca das propriedades dos estimadores de MQO em regressão linear simples, julgue o item subsequente.

A suposição de homocedasticidade é fundamental para mostrar que os estimadores de MQO são não viesados.

Acerca das propriedades dos estimadores de MQO em regressão linear simples, julgue o item subsequente.

Se o estimador de MQO for não viesado e consistente, então ele será, necessariamente, eficiente.

Acerca das propriedades dos estimadores de MQO em regressão linear simples, julgue o item subsequente.

De acordo com a hipótese de consistência do estimador de MQO, à medida que o número de observações aumenta, o valor esperado do estimador converge para o valor do parâmetro a ser estimado e a variância do estimador converge para zero.

Acerca das propriedades dos estimadores de MQO em regressão linear simples, julgue o item subsequente.

Para o coeficiente angular β, o estimador de MQO !$ \hat {\beta} !$ apresenta uma componente não aleatória, β, e outra componente aleatória, a qual depende da covariância Cov(x_t, u_t), tal que !$ \hat {\beta} = \beta + \dfrac {Cov (x_t, u_t)} {Var (x_t)} !$, em que ut é o resíduo da regressão e Var(x_t) é a variância da variável independente xt do modelo de regressão.

Acerca das propriedades dos estimadores de MQO em regressão linear simples, julgue o item subsequente.

Se E(u | x) > 0, em que u é o resíduo e x é a variável explicativa de um modelo de regressão linear simples, então as estimativas de MQO serão viesadas.

Considerando que o modelo de regressão por mínimos quadrados ordinários (MQO) seja dado por !$ \hat {y}_t = \hat {a} + \hat {\beta}x_t !$ , em que !$ \hat {y}_t !$ é o valor estimado pelo modelo para a variável dependente y_t, x_t, é a variável independente e !$ \hat {a} !$ e !$ \hat {\beta} !$ são, respectivamente, os estimadores dos coeficientes linear a e angular β de um modelo de regressão linear simples, julgue o item a seguir.

Na regressão pela origem !$ \hat {y}_t = \hat {\beta} x_t !$, em que !$ \hat {a} = 0, \hat {\beta} !$é um estimador não viesado de β.

Considerando que o modelo de regressão por mínimos quadrados ordinários (MQO) seja dado por !$ \hat {y}_t = \hat {a} + \hat {\beta}x_t !$ , em que !$ \hat {y}_t !$ é o valor estimado pelo modelo para a variável dependente y_t, x_t, é a variável independente e !$ \hat {a} !$ e !$ \hat {\beta} !$ são, respectivamente, os estimadores dos coeficientes linear a e angular β de um modelo de regressão linear simples, julgue o item a seguir.

O estimador !$ \hat {\beta} !$ pode ser escrito da seguinte forma: !$ \hat {\beta} = \dfrac {Var (x_t)} {Cov (x_t, y_t)} !$ em que Var(x_t) é a variância de x_t e Cov(x_t,y_t) é a covariância de x_t e y_t.

Considerando que o modelo de regressão por mínimos quadrados ordinários (MQO) seja dado por !$ \hat {y}_t = \hat {a} + \hat {\beta}x_t !$ , em que !$ \hat {y}_t !$ é o valor estimado pelo modelo para a variável dependente y_t, x_t, é a variável independente e !$ \hat {a} !$ e !$ \hat {\beta} !$ são, respectivamente, os estimadores dos coeficientes linear a e angular β de um modelo de regressão linear simples, julgue o item a seguir.

Ao se multiplicar a variável dependente por uma constante c qualquer, as estimativas de MQO são multiplicadas por c, isto é, !$ \hat {a} !$ e !$ \hat {\beta} !$são multiplicados por c.