Com relação aos estimadores de mínimos quadrados e de máxima verossimilhança, julgue os itens seguintes.

Se a amostra X₁, X₂, ... , X_n for formada por observações dependentes, então a função de verossimilhança será igual a

Acerca dos modelos de regressão linear, julgue os itens a seguir.

O intercepto do modelo de regressão linear simples Y_i = α + β_i + ∈_i, ∈_i ~ N( 0; σ²) depende apenas da média de x e y para ser calculado.

Acerca dos modelos de regressão linear, julgue os itens a seguir.

Considere que um modelo linear múltiplo com interação seja dado por Y_i = β₀ + β₁ X_1i + β₂ X_2i - β₁₂ X_1i X_2i + ∈_i, ∈_i ~N ( 0; σ²) em que E ( Y_i | X_1i = 0, X_2i= 0) = E ( Yi | X _1i = 1, X_2i = k), k < ∞, β₁ > 0, β₂ > 0, β₁₂ > 0 .Nessa situação, β2 ≠ β12.

Acerca dos modelos de regressão linear, julgue os itens a seguir.

Considere que Y seja uma variável binária e Z seja definida por Z = 1n ( p/1- p) = β ₀ + β₁X em que p = p( Y = 1) e X é uma covariável. Considere ainda que X assuma valores inteiros positivos, que β₀= β₁ = 0,2 e que 2,72 e 7,39 sejam os valores aproximados, respectivamente, de e e e² Nessa situação, é correto afirmar que a chance de Y = 1 quando X = 10 é superior a 5 vezes a chance correspondente quando X = 0.

Considerando os métodos de inferência para os parâmetros do modelo de regressão, julgue os próximos itens.

Considerando um gráfico da distância de Cook para cada observação amostral que resultou de um ajuste por regressão linear, as observações influentes são aquelas que apresentam pequenas distâncias de Cook

Considerando os métodos de inferência para os parâmetros do modelo de regressão, julgue os próximos itens.

Um critério utilizado para se verificar a qualidade de ajuste de um modelo de regressão é o AIC (critério de informação de Akaike), que é dado por AIC = 2(k – l (b; X)), em que k é o número de parâmetros do modelo e l (b; X) é a log-verossimilhança l(β; X) calculada em β = b. Considerando a classe dos modelos com k = κ parâmetros, então o AIC será mínimo se b for o estimador de máxima verossimilhança para β.

A respeito dos métodos de análise de resíduos do modelo de regressão, julgue os itens subsequentes.

A suposição de homocedasticidade pode ser verificada através de um gráfico de resíduos.

Acerca do modelo Y _i = β₀ + β₁ X_1i X²_2i + ∈_i , ∈_i ~ N (0; σ²) julgue os itens subsecutivos.

Se as variáveis X₁ e X₂ possuírem correlação próxima a 1, então os parâmetros β₁ e β₂ serão linearmente independentes.

Acerca do modelo Y _i = β₀ + β₁ X_1i X²_2i + ∈_i , ∈_i ~ N (0; σ²) julgue os itens subsecutivos.

A variável Z_i = exp(Y_i ) tem uma distribuição log-Normal.

Acerca do modelo Y _i = β₀ + β₁ X_1i X²_2i + ∈_i , ∈_i ~ N (0; σ²) julgue os itens subsecutivos.

Esse modelo é linear.