Em relação às informações precedentes, julgue o próximo item, considerando que o percentil 95% de uma distribuição F, com 1 grau de liberdade no numerador e 47 graus de liberdade no denominador, é igual a 4,05, e que o percentil 95% de uma distribuição qui-quadrado com 47 graus de liberdade é 64.Se a correlação amostral entre os resíduos, ε'i , e Xi é igual a zero, isso indica que o modelo está bem especificado.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoE — Errado
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”.
SE LIGUE NESSA!
Esta questão depende de um texto-base/tabela compartilhado com outras questões da mesma prova, que não está disponível aqui. O raciocínio abaixo é o método de resolução — confira os valores no enunciado original.
Análise de resíduos em regressão linear
❌ ERRADO. A correlação amostral nula entre os resíduos () e a variável explicativa () não é, por si só, evidência suficiente de que o modelo está bem especificado. Essa condição é uma propriedade automática do método de mínimos quadrados ordinários (MQO) quando o modelo inclui um intercepto: os resíduos são, por construção, ortogonais às variáveis regressoras. Portanto, a correlação zero entre resíduos e é esperada mesmo quando o modelo está mal especificado (por exemplo, quando a relação verdadeira é não linear ou quando há omissão de variável relevante).
A boa especificação de um modelo de regressão exige a verificação de premissas mais amplas: linearidade, independência dos erros, homocedasticidade (variância constante), normalidade dos erros (para inferência) e ausência de autocorrelação. A correlação nula entre resíduos e regressores é uma consequência algébrica do MQO, não um teste de adequação do modelo. A banca explora exatamente essa confusão: o candidato pode pensar que a condição é suficiente, quando ela é apenas necessária (e, na prática, sempre satisfeita com intercepto).
Caso
Correlação resíduos–X
Propriedade do MQO
Conclusão sobre especificação
Modelo bem especificado
0 (por construção)
Necessária
Pode ser bem especificado
Modelo mal especificado (ex.: omissão de variável)
0 (por construção)
Automática
Não detecta o problema
Modelo mal especificado (ex.: não linearidade)
0 (por construção)
Automática
Não detecta o problema
Qualquer ajuste MQO com intercepto
0 (sempre)
,
Correlação nula não é suficiente
Item — ❌ ERRADO ⟵ GABARITO
A afirmação está incorreta porque a correlação amostral nula entre resíduos e é uma propriedade automática do MQO quando o modelo tem intercepto. As equações normais do MQO garantem que e , o que implica correlação amostral zero entre resíduos e regressores. Assim, essa condição não distingue um modelo bem especificado de um mal especificado — ela vale para qualquer ajuste por MQO, independentemente de o modelo estar correto.
Para avaliar se o modelo está bem especificado, é necessário examinar:
Linearidade: gráficos de resíduos versus valores ajustados ou versus cada regressor (procurando padrões sistemáticos, como curvatura).
Homocedasticidade: variância constante dos resíduos ao longo dos valores ajustados.
Normalidade: histograma, Q-Q plot ou testes como Shapiro-Wilk.
Independência: ausência de autocorrelação (especialmente em dados de séries temporais).
Omissão de variáveis: resíduos correlacionados com variáveis não incluídas no modelo.
A correlação nula entre resíduos e é uma condição necessária, mas não suficiente para a boa especificação. Ela é satisfeita por construção no MQO, então não agrega informação diagnóstica.
NÃO CAIA NESSA!
A banca tenta fazer o candidato acreditar que a correlação nula entre resíduos e regressores é um sinal de bom ajuste. Na verdade, é uma consequência algébrica do MQO — sempre ocorre quando há intercepto. O que realmente indica boa especificação é a ausência de padrões nos resíduos (não apenas a correlação linear nula), como curvatura, heterocedasticidade ou autocorrelação. Fique atento: a condição é necessária, mas não suficiente.