Questão de Estatística — Modelos lineares — FGV 2024

Análise de resíduos em regressão linear múltipla

Gabarito: letra E. A análise de resíduos em um modelo de regressão linear múltipla deve verificar a presença de pontos não influentes — ou seja, a ausência de observações que exerçam influência desproporcional sobre as estimativas dos coeficientes. As demais alternativas (erros correlacionados, heterocedasticidade, outliers) representam violações dos pressupostos do modelo, que a análise de resíduos busca detectar, não pressupor como presentes. A linearidade em X é uma premissa do modelo, não um resultado esperado da análise de resíduos.

A análise de resíduos é uma etapa fundamental na validação de um modelo de regressão linear. Seu objetivo é verificar se os pressupostos do modelo de regressão linear (MQO) são satisfeitos. Os principais pressupostos são:

1. Linearidade: a relação entre a variável dependente e as independentes é linear.

2. Independência dos erros: os erros (resíduos) são independentes entre si (não correlacionados).

3. Homocedasticidade: a variância dos erros é constante (não depende de X).

4. Normalidade dos erros: os erros seguem uma distribuição normal (necessário para inferência em amostras pequenas).

5. Ausência de outliers e pontos influentes: não deve haver observações que exerçam influência desproporcional sobre o ajuste do modelo.

A análise de resíduos, portanto, verifica se essas premissas são atendidas. Ela não assume que elas sejam violadas. Por isso, a presença de erros correlacionados, heterocedasticidade ou outliers são problemas que a análise de resíduos busca identificar, e não características que devem estar presentes.

A alternativa E, "pontos não influentes", é a única que descreve uma condição desejável no modelo: a ausência de pontos que distorçam as estimativas. A análise de resíduos, por meio de gráficos e estatísticas (como a distância de Cook, alavancagem, etc.), verifica se há pontos influentes. Se houver, o modelo pode ser inadequado. Portanto, a presença de pontos não influentes é o que se espera.

Alternativa A — ❌ Incorreta

A presença de erros correlacionados (autocorrelação) é uma violação do pressuposto de independência dos erros. A análise de resíduos busca detectar essa violação (por exemplo, com o teste de Durbin-Watson), mas a presença dela é um problema a ser corrigido, não uma condição desejada.

Alternativa B — ❌ Incorreta

A heterocedasticidade é a violação do pressuposto de variância constante dos erros. A análise de resíduos busca detectar essa violação (por exemplo, com o teste de Breusch-Pagan ou gráficos de resíduos vs. valores ajustados), mas a presença dela é um problema a ser corrigido, não uma condição desejada.

Alternativa C — ❌ Incorreta

A presença de outliers (valores atípicos) é um problema que a análise de resíduos busca identificar. Outliers podem distorcer as estimativas do modelo e devem ser investigados. A presença deles não é uma condição desejada.

Alternativa D — ❌ Incorreta

A linearidade em X é um pressuposto do modelo de regressão linear. A análise de resíduos pode ser usada para verificar se a relação é linear (por exemplo, com gráficos de resíduos vs. variável independente), mas a linearidade é uma premissa do modelo, não um resultado esperado da análise de resíduos.

Alternativa E — ✅ Correta ⟵ GABARITO

A análise de resíduos deve verificar a ausência de pontos influentes. Pontos influentes são observações que, se removidas, alteram significativamente as estimativas dos coeficientes do modelo. A presença de pontos influentes é um problema que deve ser investigado. Portanto, a presença de pontos não influentes é a condição desejada e verificada pela análise de resíduos.

Gabarito: letra E