Especialista em Regulação de Serviços Públicos de Telecomunicações – Especialidade: Economia
Considerando o modelo clássico de regressão linear e a importância das suas hipóteses no contexto de uso intensivo de dados, julgue o item a seguir.Mesmo na presença de multicolinearidade imperfeita, os estimadores de mínimos quadrados ordinários são os melhores estimadores lineares não viesados (BLUE – best linear unbiased estimator).
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoC — Certo
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Multicolinearidade e o Teorema de Gauss-Markov
Gabarito: letra C (Certo). A afirmação está correta: mesmo na presença de multicolinearidade imperfeita, os estimadores de mínimos quadrados ordinários (MQO) permanecem BLUE (Best Linear Unbiased Estimator), desde que as demais hipóteses do modelo clássico de regressão linear sejam satisfeitas. A multicolinearidade imperfeita não viola nenhuma das hipóteses necessárias para o Teorema de Gauss-Markov, que garante a propriedade BLUE.
O Teorema de Gauss-Markov estabelece que, sob as hipóteses clássicas do modelo de regressão linear — linearidade, erro com média zero, homocedasticidade (variância constante) e ausência de autocorrelação —, os estimadores de MQO são os melhores estimadores lineares não viesados. Isso significa que, entre todos os estimadores lineares não viesados, os de MQO apresentam a menor variância. A multicolinearidade imperfeita (correlação entre variáveis explicativas, mas sem relação linear exata) não viola nenhuma dessas hipóteses. Ela afeta a precisão das estimativas — aumentando a variância dos estimadores e, consequentemente, os erros padrão —, mas não compromete a propriedade de não viés nem a de mínima variância dentro da classe dos estimadores lineares não viesados.
A distinção crucial é entre multicolinearidade perfeita e imperfeita. Na multicolinearidade perfeita, uma variável explicativa é combinação linear exata de outras, o que torna a matriz singular e impossibilita o cálculo dos estimadores de MQO — nesse caso, os estimadores não existem. Já na multicolinearidade imperfeita, a matriz é invertível, os estimadores existem e continuam sendo BLUE. O que a multicolinearidade imperfeita faz é inflar as variâncias dos estimadores, dificultando a inferência estatística (testes de hipóteses e intervalos de confiança), mas sem violar as propriedades de Gauss-Markov.
A pegadinha da banca está em confundir os efeitos da multicolinearidade: muitos candidatos pensam que qualquer correlação entre regressores invalida a propriedade BLUE. Na verdade, apenas a multicolinearidade perfeita impede a obtenção dos estimadores; a imperfeita apenas aumenta a variância, mas os estimadores continuam sendo os melhores lineares não viesados.
Distribuição de conjuntos — só Grupo A: só A; só Grupo B: só B; Grupo A∩Grupo B: A∩B
NÃO CAIA NESSA!
A banca explora a confusão entre multicolinearidade perfeita e imperfeita. Na perfeita, os estimadores de MQO não podem ser calculados (matriz singular); na imperfeita, eles existem e permanecem BLUE. O candidato que generaliza "multicolinearidade quebra o BLUE" erra a questão — a propriedade só é perdida quando a relação é exata.
PEGA ESSA DICA!
Para questões sobre Gauss-Markov, lembre-se: o teorema exige apenas linearidade, média zero do erro, homocedasticidade e ausência de autocorrelação. Multicolinearidade (imperfeita) não está na lista de violações — ela afeta a precisão, não a propriedade BLUE. Se a questão falar em "multicolinearidade" sem o adjetivo "perfeita", assuma que é imperfeita e que o BLUE se mantém.