Na análise diagnóstica dos resíduos de um modelo de regressão múltipla estimado por mínimos quadrados ordinários, identificam-se três observações com características distintas: a i-ésima observação apresenta resíduo studentizado externamente superior a 3 em valor absoluto, mas baixo valor de alavancagem; a j-ésima observação apresenta alta alavancagem, mas resíduo próximo de zero; e a k-ésima observação apresenta, simultaneamente, resíduo studentizado moderado (aproximadamente 2) e alta alavancagem, o que resulta em distância de Cook substancialmente elevada.Considerando a situação hipotética apresentada e os conceitos de leverage, outliers e observações influentes, assinale a opção correta.
AA presença simultânea dessas três observações com características distintas invalida o uso de mínimos quadrados ordinários, sendo necessário utilizar métodos robustos de estimação, como regressão quantílica ou M-estimadores, para a obtenção de resultados confiáveis.
BAs três observações são igualmente problemáticas e devem ser removidas do conjunto de dados, pois qualquer observação com resíduo elevado ou alta alavancagem viola os pressupostos do modelo de regressão e compromete a validade das inferências estatísticas.
CA i-ésima observação indica heterocedasticidade localizada e deve ser corrigida por meio de ponderação; a j-ésima observação sugere multicolinearidade que envolve essa observação específica; e a k-ésima observação demonstra não linearidade, que requer inclusão de termos polinomiais no modelo.
DComo a k-ésima observação apresenta a maior distância de Cook, ela é necessariamente a única observação que deve ser investigada e potencialmente removida, ao passo que as observações i e j podem ser ignoradas na análise, independentemente de seus valores de resíduo ou alavancagem.
EA i-ésima observação é um outlier sem influência substancial sobre as estimativas; a j-ésima observação tem potencial de influência devido ao leverage, mas está bem ajustada pelo modelo; e a k-ésima observação é genuinamente influente, pois combina posição extrema no espaço dos regressores com inadequação do ajuste, sendo a mais preocupante para a estabilidade das estimativas dos coeficientes.
Revelar gabarito e comentário▾
GabaritoE — A i-ésima observação é um outlier sem influência substancial sobre as estimativas; a j-ésima observação tem potencial de influência devido ao leverage, mas está bem ajustada pelo modelo; e a k-ésima observação é genuinamente influente, pois combina posição extrema no espaço dos regressores com inadequação do ajuste, sendo a mais preocupante para a estabilidade das estimativas dos coeficientes.
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”.
Análise diagnóstica em regressão: leverage, outliers e observações influentes
Gabarito: letra E. A questão exige distinguir três conceitos que a análise diagnóstica de regressão trata separadamente: (i) outlier (resíduo studentizado externamente elevado) sem influência quando a alavancagem é baixa; (ii) ponto de alta alavancagem (posição extrema nos regressores) que, se bem ajustado, não é influente; e (iii) observação genuinamente influente, que combina alta alavancagem com resíduo não desprezível, refletida na distância de Cook. A alternativa E descreve exatamente esses três casos, sendo a única correta.
A análise diagnóstica de resíduos em modelos de regressão múltipla estimados por mínimos quadrados ordinários (MQO) busca identificar observações que possam distorcer as estimativas dos coeficientes. Três medidas são centrais nessa análise: o resíduo studentizado externamente (que detecta outliers na variável resposta), a alavancagem (leverage, que mede o quão extrema é a posição da observação no espaço dos regressores) e a distância de Cook (que combina ambas para medir a influência da observação sobre as estimativas).
A distinção fundamental é que outlier não é sinônimo de observação influente, nem alta alavancagem implica influência. Uma observação só é influente quando a combinação de resíduo elevado e alta alavancagem é capaz de alterar substancialmente os coeficientes estimados. A distância de Cook captura exatamente essa combinação: ela é proporcional ao quadrado do resíduo studentizado multiplicado pela razão entre a alavancagem e seu complemento. Por isso, uma observação com resíduo enorme mas alavancagem baixa (caso i) tem pouca influência, assim como uma com alta alavancagem mas resíduo próximo de zero (caso j). A observação k, com resíduo moderado e alta alavancagem, é a que produz distância de Cook elevada e, portanto, é a mais preocupante.
A banca explora a confusão comum entre esses três conceitos, apresentando alternativas que os tratam como sinônimos ou que atribuem a eles consequências inadequadas (como remoção automática ou correção por ponderação). A alternativa E é a única que os distingue corretamente.
Alta alavancagem
Baixa alavancagem
Resíduo baixo
Influente (Cook alto)
Outlier não influente
Resíduo alto
Ponto de alavancagem bem ajustado
Observação normal
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
A presença de outliers ou observações influentes não invalida o uso de MQO. O MQO continua sendo um estimador consistente e não viesado sob os pressupostos clássicos; a presença de observações influentes é um problema de robustez (eficiência e viés em amostras finitas), não de validade assintótica. Métodos robustos como regressão quantílica ou M-estimadores são alternativas quando se suspeita de violação de pressupostos ou se deseja reduzir a sensibilidade a outliers, mas não são obrigatórios apenas pela presença de observações atípicas. A alternativa erra ao afirmar que a presença dessas observações "invalida" o MQO.
Alternativa B — ❌ Incorreta
As três observações não são igualmente problemáticas e não devem ser removidas automaticamente. A remoção de observações é uma decisão que deve ser baseada em análise cuidadosa, não em regra automática. Além disso, a alternativa afirma que qualquer observação com resíduo elevado ou alta alavancagem "viola os pressupostos do modelo", o que é falso: resíduos elevados e alta alavancagem são características de observações individuais, não violações de pressupostos do modelo (que se referem à distribuição dos erros, como normalidade, homocedasticidade e independência). A observação j, por exemplo, tem alta alavancagem mas está bem ajustada, não sendo problemática.
Alternativa C — ❌ Incorreta
A alternativa comete erros conceituais graves ao associar cada observação a um problema específico do modelo:
A observação i (outlier com baixa alavancagem) não indica heterocedasticidade localizada. Heterocedasticidade é uma propriedade da variância dos erros em função dos regressores, não de uma observação individual.
A observação j (alta alavancagem, resíduo próximo de zero) não sugere multicolinearidade. Multicolinearidade é uma relação linear entre as variáveis regressoras, não uma característica de uma observação.
A observação k (alta alavancagem e resíduo moderado) não demonstra não linearidade. Não linearidade é uma questão de especificação funcional do modelo, não de uma observação individual.
A alternativa confunde diagnósticos de observações individuais com diagnósticos de pressupostos do modelo.
Alternativa D — ❌ Incorreta
A alternativa afirma que a observação k é "necessariamente a única observação que deve ser investigada e potencialmente removida", o que é uma generalização indevida. Embora a observação k seja a mais influente, isso não significa que as observações i e j devam ser ignoradas. A observação i, apesar de ter baixa influência, pode indicar um erro de medição ou um valor atípico que merece investigação. A observação j, com alta alavancagem, pode ser um ponto extremo legítimo que estabiliza o modelo, mas também merece verificação. A decisão de remover ou investigar deve ser baseada em análise contextual, não em regra automática baseada apenas na distância de Cook.
Alternativa E — ✅ Correta ⟵ GABARITO
A alternativa descreve corretamente os três casos:
Observação i: outlier (resíduo studentizado externamente > 3 em valor absoluto) com baixa alavancagem → outlier sem influência substancial. A distância de Cook é pequena porque a baixa alavancagem limita o impacto da observação sobre os coeficientes.
Observação j: alta alavancagem com resíduo próximo de zero → potencial de influência devido ao leverage, mas bem ajustada pelo modelo. A alta alavancagem dá à observação potencial para influenciar as estimativas, mas como o resíduo é pequeno, ela não exerce influência real.
Observação k: resíduo studentizado moderado (≈2) e alta alavancagem → genuinamente influente, pois combina posição extrema nos regressores com inadequação do ajuste, resultando em distância de Cook substancialmente elevada. É a mais preocupante para a estabilidade das estimativas.
A alternativa E é a única que distingue corretamente os três conceitos e suas implicações.
NÃO CAIA NESSA!
A banca explora a confusão entre outlier, ponto de alavancagem e observação influente. O candidato tende a tratar qualquer observação com resíduo alto ou alavancagem alta como igualmente problemática. A chave é lembrar que a influência (medida pela distância de Cook) depende da combinação de ambos: resíduo alto com alavancagem baixa não influencia; alavancagem alta com resíduo baixo não influencia; só a combinação dos dois gera influência real. Memorize essa relação e você resolve qualquer questão sobre o tema.
PEGA ESSA DICA!
Para fixar, compare as três medidas em uma tabela:
Medida
O que detecta
Relação com influência
Resíduo studentizado externamente
Outlier na resposta (Y)
Necessário, mas não suficiente
Alavancagem (leverage)
Posição extrema nos regressores (X)
Necessário, mas não suficiente
Distância de Cook
Influência sobre os coeficientes
Combina resíduo e alavancagem
Na prova, ao ver uma observação com resíduo alto e alavancagem baixa, classifique como outlier não influente; com alavancagem alta e resíduo baixo, como ponto de alavancagem bem ajustado; com ambos elevados, como influente. Essa distinção é o coração da questão.