Em um modelo de regressão múltipla estimado por mínimos quadrados ordinários, observa-se que duas variáveis explicativas apresentam correlação muito alta entre si. Adicionalmente, um dos coeficientes estimados apresenta sinal contrário ao esperado pela teoria, e os erros-padrão dos coeficientes são substancialmente elevados.A partir dessa situação hipotética, é correto concluir que o modelo em questão apresenta
Aendogeneidade, o que viola o pressuposto de exogeneidade das variáveis explicativas e gera estimativas inconsistentes que não convergem para os valores verdadeiros mesmo com amostras grandes.
Bautocorrelação dos resíduos, o que provoca perda da propriedade de eficiência dos estimadores e invalida completamente a capacidade preditiva do modelo ajustado.
Cerro de especificação por omissão de variável relevante, sendo necessário identificar e incluir a variável faltante para corrigir os sinais inesperados dos coeficientes.
Dmulticolinearidade, o que resulta em estimativas com variância inflada e interpretações individuais dos coeficientes pouco confiáveis.
Eheterocedasticidade, o que implica estimativas viesadas dos coeficientes e torna os testes de hipótese não confiáveis para inferências sobre os parâmetros populacionais.
Revelar gabarito e comentário▾
GabaritoD — multicolinearidade, o que resulta em estimativas com variância inflada e interpretações individuais dos coeficientes pouco confiáveis.
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”.
Multicolinearidade em regressão múltipla
Gabarito: letra D. A situação descrita — duas variáveis explicativas com correlação muito alta, coeficiente com sinal contrário ao esperado e erros-padrão elevados — é o retrato clássico da multicolinearidade, que infla a variância dos estimadores e torna as interpretações individuais dos coeficientes pouco confiáveis. As demais alternativas descrevem outros problemas (endogeneidade, autocorrelação, omissão de variável, heterocedasticidade) que não correspondem aos sintomas apresentados.
A multicolinearidade ocorre quando há correlações muito elevadas entre as variáveis explicativas de um modelo de regressão múltipla. Em casos extremos, com correlação perfeita, a matriz torna-se não inversível e nem sequer é possível estimar os coeficientes. Quando a correlação é alta, porém não perfeita, os coeficientes podem ser estimados, mas com graves consequências: as variâncias dos estimadores ficam infladas, os erros-padrão aumentam substancialmente, e os coeficientes podem apresentar sinais contrários ao esperado pela teoria, além de se tornarem instáveis a pequenas mudanças nos dados. Isso ocorre porque o modelo não consegue "separar" o efeito individual de cada variável altamente correlacionada com outra.
É importante distinguir a multicolinearidade de outros problemas de regressão:
Endogeneidade: correlação entre a variável explicativa e o termo de erro, violando a exogeneidade. Gera estimadores inconsistentes.
Autocorrelação: correlação entre os resíduos ao longo do tempo (ou espaço). Afeta a eficiência, mas não a consistência.
Omissão de variável relevante: quando uma variável importante é deixada de fora, podendo viesar os coeficientes das variáveis incluídas.
Heterocedasticidade: variância dos erros não constante. Afeta a eficiência, mas não a consistência dos estimadores MQO.
A pegadinha da banca está em associar os sintomas (sinal trocado e erros-padrão altos) a outros problemas, como endogeneidade ou omissão de variável. O candidato deve reconhecer que a combinação de alta correlação entre regressoras + sinal contrário + erros-padrão elevados é a assinatura da multicolinearidade.
Problema de Regressão
Correlação entre regressoras
Sinal contrário ao esperado
Erros-padrão elevados
Efeito principal nos estimadores
Multicolinearidade (D)
V
V
V
Variância inflada; coeficientes instáveis
Endogeneidade (A)
F
F
F
Inconsistência (não converge com amostras grandes)
Autocorrelação (B)
F
F
F
Perda de eficiência (mas consistência mantida)
Omissão de variável (C)
F
F
F
Viés nos coeficientes incluídos
Heterocedasticidade (E)
F
F
F
Erros-padrão incorretos (coeficientes não viesados)
Problemas em regressão: Multicolinearidade (Alta correlação entre regressoras, Variância inflada, Sinais instáveis); Endogeneidade (Regressora correlacionada com erro, Estimadores inconsistentes); Heterocedasticidade (Variância do erro não constante, Erros-padrão incorretos); Autocorrelação (Resíduos correlacionados no tempo, Perda de eficiência); Omissão de variável (Variável relevante ausente, Coeficientes viesados)
Alternativa A — ❌ Incorreta
A endogeneidade ocorre quando uma variável explicativa é correlacionada com o termo de erro, violando o pressuposto de exogeneidade. Isso gera estimadores inconsistentes, que não convergem para os valores verdadeiros mesmo com amostras grandes. No entanto, o enunciado não menciona correlação entre regressores e erro, mas sim entre as próprias variáveis explicativas — o que caracteriza multicolinearidade, não endogeneidade.
Alternativa B — ❌ Incorreta
A autocorrelação dos resíduos refere-se à correlação entre os erros em diferentes observações (típica em séries temporais). Ela afeta a eficiência dos estimadores, mas não é o problema descrito, que envolve a relação entre variáveis explicativas, não entre resíduos. Além disso, a autocorrelação não costuma inverter sinais de coeficientes.
Alternativa C — ❌ Incorreta
A omissão de variável relevante pode causar viés nos coeficientes, mas o sintoma central do enunciado é a alta correlação entre duas variáveis explicativas — o que aponta diretamente para multicolinearidade. A omissão de variável não é caracterizada por correlação entre regressores, mas pela ausência de uma variável que deveria estar no modelo.
Alternativa D — ✅ Correta ⟵ GABARITO
A multicolinearidade é exatamente o problema em que duas ou mais variáveis explicativas são altamente correlacionadas. Suas consequências incluem variância inflada dos estimadores (erros-padrão elevados) e coeficientes instáveis, que podem apresentar sinais contrários ao esperado. A alternativa captura precisamente esses efeitos: "estimativas com variância inflada e interpretações individuais dos coeficientes pouco confiáveis".
Alternativa E — ❌ Incorreta
A heterocedasticidade é a variância não constante dos erros. Ela não viesa os coeficientes do MQO (eles permanecem não viesados e consistentes), apenas torna os erros-padrão incorretos e os testes de hipótese não confiáveis. O enunciado não menciona variância dos erros, mas sim correlação entre variáveis explicativas.
NÃO CAIA NESSA!
A banca tenta confundir o candidato associando os sintomas de multicolinearidade (sinal trocado e erros-padrão altos) a outros problemas como endogeneidade ou omissão de variável. A chave é identificar que a causa raiz é a alta correlação entre as variáveis explicativas — isso é multicolinearidade, e não qualquer outro problema. Fique atento: quando o enunciado fala em "correlação muito alta entre variáveis explicativas", a resposta é multicolinearidade.
PEGA ESSA DICA!
Para diferenciar os problemas de regressão, foque no que cada um afeta: multicolinearidade → variância inflada e sinais instáveis; heterocedasticidade → erros-padrão incorretos (mas coeficientes não viesados); autocorrelação → eficiência perdida; endogeneidade → inconsistência. Memorize essa tabela mental e a associe aos sintomas típicos.