Questão de Estatística — Modelos lineares — FCC 2023

Multicolinearidade perfeita na regressão linear

Gabarito: letra C. A multicolinearidade perfeita ocorre quando uma variável independente é uma combinação linear exata de outra(s) variável(is) independente(s), violando o pressuposto de que nenhuma variável independente é perfeitamente correlacionada com outra ou com uma combinação linear delas — exatamente o que a alternativa C descreve.

A multicolinearidade é um fenômeno que afeta a regressão linear múltipla, quando há duas ou mais variáveis independentes. Ela ocorre quando existe uma forte relação linear entre as variáveis explicativas, ou seja, quando uma variável independente pode ser expressa como uma combinação linear das demais. Quando essa relação é perfeita (coeficiente de correlação igual a 1 ou -1, ou determinante da matriz de correlação igual a zero), dizemos que há multicolinearidade perfeita. Nesse caso, a matriz $X'X$ (onde $X$ é a matriz das variáveis independentes) torna-se singular, não podendo ser invertida, o que impossibilita a estimação dos coeficientes pelo método dos mínimos quadrados ordinários (MQO).

A distinção importante é entre multicolinearidade perfeita e multicolinearidade imperfeita (ou alta). Na imperfeita, as variáveis são altamente correlacionadas, mas não de forma exata; a matriz $X'X$ ainda é invertível, porém os estimadores apresentam variâncias elevadas, tornando as inferências instáveis. Na perfeita, a estimação é simplesmente impossível — não há solução única para os coeficientes.

A banca explora aqui a confusão entre correlação entre variáveis independentes e correlação entre variável dependente e independente. A multicolinearidade diz respeito exclusivamente às relações entre as variáveis explicativas, não à relação entre $Y$ e $X$. Além disso, o pressuposto clássico do modelo de regressão é que as variáveis independentes não sejam perfeitamente correlacionadas entre si — e não que sejam não correlacionadas (ausência total de correlação não é exigida).

Alternativa A — ❌ Incorreta

Afirma que a multicolinearidade perfeita ocorre quando as variáveis independentes não estão correlacionadas entre si. É exatamente o oposto: a multicolinearidade surge quando há alta correlação (perfeita) entre as variáveis independentes. A ausência de correlação é a situação ideal, não a causa do problema.

Alternativa B — ❌ Incorreta

Diz que ocorre sempre que existe um modelo com apenas uma variável independente. Com uma única variável independente, não há como existir multicolinearidade, pois ela exige pelo menos duas variáveis explicativas correlacionadas entre si. A regressão linear simples (uma variável) não apresenta esse problema.

Alternativa C — ✅ Correta ⟵ GABARITO

Descreve precisamente a multicolinearidade perfeita: violação do pressuposto de que nenhuma variável independente esteja perfeitamente correlacionada com qualquer outra variável independente ou com qualquer combinação linear delas. É a definição clássica: quando uma variável explicativa é uma combinação linear exata de outras, há multicolinearidade perfeita, tornando a matriz $X'X$ singular e impossibilitando a estimação dos coeficientes.

Alternativa D — ❌ Incorreta

Confunde multicolinearidade com a relação entre variável dependente e independente. A multicolinearidade refere-se à correlação entre as variáveis independentes, não entre $Y$ e $X$. Além disso, a afirmação de que a variável dependente e a independente são não-estocásticas não é um pressuposto que gere multicolinearidade — na verdade, a variável dependente é estocástica (aleatória), e as independentes podem ser fixas ou aleatórias, dependendo do contexto.

Alternativa E — ❌ Incorreta

Associa multicolinearidade à distribuição do termo de erro. A multicolinearidade é um problema relativo às variáveis independentes, não ao erro aleatório. A normalidade do erro é outro pressuposto do modelo (para inferência), mas não tem relação com a multicolinearidade. A distribuição do erro não afeta a existência de correlação entre as variáveis explicativas.

Gabarito: letra C