Analista – Área: Gestão da Informação – Subárea: Engenharia de Dados
Acerca de conceitos de estatística descritiva e de inferência estatística, julgue o item a seguir.Em análises de regressão, o coeficiente de determinação (R2) mede a proporção da variabilidade da variável dependente, explicada pelas variáveis independentes, o que indica a intensidade do ajuste do modelo, sem implicar causalidade.
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”.
Coeficiente de determinação (R²) e a distinção entre associação e causalidade
Gabarito: letra C (Certo). O R² mede a proporção da variabilidade da variável dependente (Y) que é explicada pelas variáveis independentes (X), servindo como medida da qualidade do ajuste do modelo — mas essa associação estatística não implica, por si só, relação de causa e efeito. A afirmativa está correta ao definir o R² e, principalmente, ao ressalvar que ele não implica causalidade.
O coeficiente de determinação, também chamado de coeficiente de explicação, é uma das principais métricas para avaliar a adequação de um modelo de regressão. Ele é definido como a razão entre a soma dos quadrados do modelo (SQM) e a soma dos quadrados total (SQT):
em que SQR é a soma dos quadrados dos resíduos. O R² assume valores entre 0 e 1, e quanto mais próximo de 1, maior a proporção da variabilidade de Y que é explicada pelo modelo — ou seja, melhor o ajuste. No caso da regressão linear simples, o R² é igual ao quadrado do coeficiente de correlação linear de Pearson (r), o que reforça que ele mede a força da associação linear entre as variáveis.
A distinção central que a questão explora é entre associação e causalidade. O R² indica apenas o quanto a variação de Y está associada à variação de X no modelo ajustado; ele não fornece evidência de que X cause Y. Uma correlação alta (e, portanto, um R² alto) pode ocorrer por diversos motivos que não envolvem relação causal direta, como a presença de uma terceira variável que influencia ambas, ou mesmo uma coincidência espúria. A causalidade só pode ser inferida com base em desenho experimental adequado, controle de confundidores e fundamentação teórica — nunca apenas pelo valor do R².
A pegadinha da banca, aqui, é justamente tentar fazer o candidato confundir a medida de ajuste com uma prova de relação causal. A afirmativa, ao contrário, é precisa ao separar os dois conceitos: o R² mede a intensidade do ajuste, mas não implica causalidade.
R² (coeficiente de determinação): Definição (Proporção da variabilidade de Y explicada por X, Mede a intensidade do ajuste); Propriedades (Valores entre 0 e 1, Regressão simples: R² = r²); Limitação (Não implica causalidade, Associação ≠ causa)
Alternativa C — ✅ Correta ⟵ GABARITO
A afirmativa está correta em todos os seus termos. O R² mede a proporção da variabilidade da variável dependente explicada pelas variáveis independentes — essa é a definição formal do coeficiente de determinação. Ele indica a intensidade do ajuste do modelo, pois quanto maior o R², maior a parcela da variação de Y que o modelo consegue explicar. E, por fim, a ressalva de que isso não implica causalidade é fundamental: o R² é uma medida de associação estatística, não uma prova de relação de causa e efeito. A banca acertou ao incluir essa ressalva, que é o ponto conceitual mais importante da questão.
NÃO CAIA NESSA!
Em questões sobre R², fique atento a três pontos que a banca adora cobrar: (1) a definição — proporção da variabilidade de Y explicada pelo modelo; (2) a relação com a correlação — na regressão simples, R² = r²; e (3) a distinção entre associação e causalidade — R² alto não prova relação de causa e efeito. Se a alternativa afirmar que R² alto implica causalidade, está errada. Essa é uma pegadinha recorrente em provas de estatística.