Um pesquisador estima dois modelos de regressão aninhados: o modelo completo contém p variáveis explicativas além do intercepto, e o modelo reduzido, q variáveis explicativas além do intercepto, em que q < p. Ambos os modelos são estimados com os mesmos n dados. Para testar se as (p − q) variáveis adicionais do modelo completo contribuem significativamente para explicar a variação na variável resposta, o pesquisador calcula a diferença entre as somas dos quadrados dos resíduos dos dois modelos e constrói uma estatística F parcial. O teste resulta em um p-valor de 0,12 ao nível de 5%, o que implica a não rejeição da hipótese nula. Simultaneamente, ao examinar o modelo completo, o pesquisador observa que o teste F global é altamente significativo (p-valor < 0,001).Nessa situação hipotética,
Aa discrepância entre os testes indica violação do pressuposto de homogeneidade de variâncias, em que o modelo completo apresenta heterocedasticidade que não estava presente no modelo reduzido; o teste F parcial é mais sensível a essa violação que o teste F global, o que explica por que um é não significativo enquanto o outro permanece altamente significativo.
Bos resultados são consistentes e indicam que, embora o modelo completo como um todo tenha poder explicativo significativo comparado ao modelo apenas com intercepto, as (p − q) variáveis adicionais não contribuem significativamente além da explicação já fornecida pelas q variáveis do modelo reduzido, o que sugere que o modelo mais parcimonioso (reduzido) é adequado e as variáveis extras são redundantes, dado o que já está no modelo.
Cos resultados são contraditórios e matematicamente impossíveis, pois, se o modelo completo é globalmente significativo, então qualquer subconjunto de variáveis também deve ser significativo; o erro provavelmente resulta de uso incorreto das somas dos quadrados, devendo o pesquisador utilizar a soma dos quadrados da regressão em vez da soma dos quadrados dos resíduos.
Da aparente inconsistência resulta de multicolinearidade entre as variáveis do modelo completo e as do modelo reduzido, que infla os erros-padrão no teste F parcial, mas não afeta o teste F global, o que resulta em conclusões divergentes que invalidam ambos os testes até que a multicolinearidade seja resolvida.
Eos resultados demonstram que as (p − q) variáveis adicionais estão causando sobreajuste no modelo completo, capturando ruído amostral em vez de padrões verdadeiros. O teste F parcial não significativo indica corretamente que essas variáveis deterioram a qualidade preditiva, ao passo que o teste F global permanece significativo devido às q variáveis genuinamente importantes.
Revelar gabarito e comentário▾
GabaritoB — os resultados são consistentes e indicam que, embora o modelo completo como um todo tenha poder explicativo significativo comparado ao modelo apenas com intercepto, as (p − q) variáveis adicionais não contribuem significativamente além da explicação já fornecida pelas q variáveis do modelo reduzido, o que sugere que o modelo mais parcimonioso (reduzido) é adequado e as variáveis extras são redundantes, dado o que já está no modelo.
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”.
Teste F parcial versus teste F global em modelos aninhados
Gabarito: letra B. Os resultados são perfeitamente consistentes: o teste F global avalia se o modelo completo explica a variável resposta melhor do que um modelo apenas com o intercepto, enquanto o teste F parcial avalia se as variáveis adicionais (p − q) acrescentam explicação além das q variáveis já presentes no modelo reduzido. Não há contradição alguma entre um teste global altamente significativo e um teste parcial não significativo — isso apenas indica que as variáveis extras são redundantes dado o que já está no modelo.
O ponto central é entender que os dois testes respondem a perguntas diferentes. O teste F global testa a hipótese nula de que todos os coeficientes de inclinação do modelo completo são simultaneamente iguais a zero (ou seja, o modelo não explica nada além da média). O teste F parcial testa a hipótese nula de que os coeficientes das variáveis adicionais são todos iguais a zero, condicionado à presença das demais variáveis. É perfeitamente possível que o conjunto completo de variáveis explique variação significativa (F global significativo), mas que as variáveis extras, individualmente ou em conjunto, não acrescentem poder explicativo além das variáveis já incluídas (F parcial não significativo).
A estatística do teste F parcial é construída a partir da diferença entre as somas dos quadrados dos resíduos dos dois modelos:
em que e são as somas dos quadrados dos resíduos dos modelos reduzido e completo, respectivamente. O numerador mede a redução na soma dos quadrados dos resíduos proporcionada pelas variáveis adicionais, dividida pelo número de variáveis adicionadas; o denominador é o quadrado médio do erro do modelo completo. Sob a hipótese nula, essa estatística segue distribuição F com (p − q) e (n − p − 1) graus de liberdade.
A alternativa B captura exatamente essa lógica: o modelo completo tem poder explicativo global, mas as variáveis extras não contribuem significativamente além do que as q variáveis já explicam. Isso sugere que o modelo reduzido é adequado e mais parcimonioso — princípio da parcimônia em modelagem estatística.
As demais alternativas apresentam interpretações equivocadas:
Teste
Hipótese Nula (H₀)
Pergunta Respondida
Resultado (p-valor)
Conclusão
F global (modelo completo vs. modelo nulo)
Todos os coeficientes de inclinação do modelo completo são zero
O modelo completo explica variação significativa em relação ao modelo apenas com intercepto?
< 0,001 (significativo)
O modelo completo tem poder explicativo global
F parcial (modelo completo vs. modelo reduzido)
Coeficientes das (p − q) variáveis adicionais são zero, dado que as q variáveis estão no modelo
As variáveis extras acrescentam explicação além das q variáveis já presentes?
0,12 (não significativo ao nível de 5%)
As variáveis adicionais são redundantes; modelo reduzido é adequado
Alternativa A — ❌ Incorreta
Afirma que a discrepância indica violação do pressuposto de homogeneidade de variâncias, com heterocedasticidade no modelo completo que não existia no reduzido. Não há qualquer base para essa afirmação: o enunciado não menciona diagnóstico de heterocedasticidade, e a diferença entre os testes não é sintoma de violação de pressuposto. A heterocedasticidade afeta a validade dos erros-padrão e dos testes de hipóteses em geral, mas não explica a diferença entre F global e F parcial — essa diferença é esperada e natural quando as variáveis adicionais são redundantes.
Alternativa B — ✅ Correta ⟵ GABARITO
Como explicado, os resultados são consistentes: o F global significativo indica que o modelo completo explica variação significativa em relação ao modelo nulo (apenas intercepto), enquanto o F parcial não significativo indica que as variáveis adicionais não acrescentam explicação além das q variáveis já presentes. Isso sugere que o modelo reduzido é adequado e mais parcimonioso.
Alternativa C — ❌ Incorreta
Afirma que os resultados são contraditórios e matematicamente impossíveis, pois se o modelo completo é globalmente significativo, qualquer subconjunto de variáveis também deve ser significativo. Isso é falso: a significância global não implica significância de subconjuntos. Um conjunto de variáveis pode ser conjuntamente significativo, mas um subconjunto específico pode não acrescentar nada além das demais. A afirmação de que o erro está no uso das somas dos quadrados também é infundada — o procedimento descrito (diferença entre SQE) é exatamente o correto para o teste F parcial.
Alternativa D — ❌ Incorreta
Atribui a discrepância à multicolinearidade, que inflaria os erros-padrão no teste F parcial, mas não afetaria o F global. Embora a multicolinearidade possa inflar variâncias dos estimadores e afetar testes individuais, ela não é a explicação necessária nem suficiente para a diferença entre F global e F parcial. Além disso, a multicolinearidade não invalida os testes — ela apenas aumenta a incerteza sobre coeficientes individuais. A conclusão de que ambos os testes são inválidos até que a multicolinearidade seja resolvida é exagerada e incorreta.
Alternativa E — ❌ Incorreta
Afirma que as variáveis adicionais causam sobreajuste e deterioram a qualidade preditiva. O teste F parcial não significativo não indica sobreajuste — indica apenas que as variáveis não acrescentam explicação significativa. Sobreajuste é um conceito relacionado à capacidade preditiva fora da amostra, que não é diretamente avaliado pelo teste F parcial. Além disso, o F global significativo não se deve apenas às q variáveis "genuinamente importantes" — ele testa o modelo completo contra o modelo nulo, e a significância pode vir de qualquer combinação de variáveis.
NÃO CAIA NESSA!
A banca explora a confusão entre o que cada teste responde. O candidato tende a achar que F global significativo implica que todas as variáveis são importantes, mas o F parcial testa exatamente o valor incremental das variáveis adicionais. Lembre-se: F global compara o modelo completo com o modelo nulo (só intercepto); F parcial compara o modelo completo com o modelo reduzido (sem as variáveis extras). São perguntas diferentes, e respostas diferentes são perfeitamente coerentes.
PEGA ESSA DICA!
Para resolver questões sobre testes F em modelos aninhados, identifique primeiro qual é a hipótese nula de cada teste. O F global testa se todos os coeficientes de inclinação são zero; o F parcial testa se um subconjunto de coeficientes é zero, dado que os demais estão no modelo. Se o F global é significativo e o F parcial não, as variáveis extras são redundantes — o modelo reduzido é preferível por parcimônia.