Multicolinearidade e análise de componentes principais
Gabarito: letra A. A análise de componentes principais (PCA) é uma técnica estatística que transforma um conjunto de variáveis originalmente correlacionadas em um novo conjunto de variáveis linearmente não correlacionadas (componentes principais), eliminando a multicolinearidade e estabilizando a estimação dos parâmetros em modelos de regressão.
Alternativa A — ✅ Correta ⟵ GABARITO
A análise de componentes principais é amplamente utilizada como técnica de redução de dimensionalidade que resolve o problema da multicolinearidade. Ao gerar componentes ortogonais, a PCA remove a correlação entre as variáveis preditoras, tornando a estimação dos coeficientes mais estável e confiável.
Alternativa B — ❌ Incorreta
A regressão logística é um método de classificação binária (ou multiclasse) que modela a probabilidade de uma variável dependente categórica. Não é uma técnica para lidar com multicolinearidade; pelo contrário, a regressão logística também sofre com multicolinearidade e requer tratamento prévio dos dados.
Alternativa C — ❌ Incorreta
Análise multivariada é um termo genérico que abrange diversas técnicas estatísticas para analisar múltiplas variáveis simultaneamente (regressão múltipla, MANOVA, análise fatorial, etc.). Embora inclua a PCA, a expressão “análise multivariada” não designa uma técnica específica para tratar multicolinearidade.
Alternativa D — ❌ Incorreta
Função não linear refere-se a modelos que capturam relações não lineares entre variáveis (como regressão polinomial ou splines). Embora modelos não lineares possam contornar alguns problemas de especificação, eles não são uma técnica direta para eliminar a multicolinearidade.
Gabarito: letra A.