Questão de Estatística — Modelos lineares — CESPE / CEBRASPE 2025

Multicolinearidade em regressão linear múltipla

✅ CERTO. A presença de multicolinearidade severa entre as variáveis independentes pode, de fato, distorcer os coeficientes estimados em uma regressão linear múltipla, tornando-os instáveis e com erros-padrão inflados. Esse é um dos problemas clássicos dos modelos de regressão por mínimos quadrados ordinários (MQO), amplamente reconhecido na literatura estatística.

A multicolinearidade ocorre quando há correlações muito elevadas entre as variáveis explicativas. Em casos extremos, essas correlações podem ser perfeitas, indicando uma relação linear exata entre as variáveis. Quando isso acontece, a matriz $X'X$ torna-se singular (não invertível), impossibilitando o cálculo dos coeficientes pelo método dos mínimos quadrados, pois a solução envolve a inversão dessa matriz: $\hat{\beta} = (X'X)^{-1}X'Y$.

Mesmo quando a correlação é alta, mas não perfeita, os problemas aparecem: os coeficientes estimados passam a ter variância muito grande, tornando-os instáveis e pouco confiáveis. Pequenas alterações nos dados podem provocar grandes mudanças nas estimativas. Além disso, os erros-padrão dos coeficientes ficam inflados, o que reduz a significância estatística das variáveis e dificulta a interpretação isolada de cada efeito.

A banca explora aqui um conceito central da modelagem estatística: a violação do pressuposto de ausência de relação linear entre as variáveis independentes. É importante distinguir multicolinearidade de outros problemas de regressão, como heterocedasticidade (variância dos erros não constante) e autocorrelação (erros correlacionados entre si). Enquanto a multicolinearidade afeta a precisão dos coeficientes, a heterocedasticidade e a autocorrelação afetam principalmente a validade dos testes de hipóteses e intervalos de confiança.

Gabarito: ✅ CERTO.