Logo Passei Direto
Buscar

Econometria

Humanas / Sociais
Um pesquisador deseja analisar o impacto do gênero no salário inicial de recém-formados em contabilidade. Para isso, ele construiu um modelo de regressão linear onde o Salário Inicial (variável dependente Y) é modelado em função da Pontuação no Vestibular (variável independente quantitativa X1) e do Gênero (variável independente qualitativa X2). A variável Gênero foi codificada como uma variável dummy, onde X2 = 0 para "Feminino" (categoria de referência) e X2 = 1 para "Masculino". O modelo de regressão estimado foi: SalárioInicial = 3000 + 50 × PontuaçãonoVestibular + 200 × Gênero Com base no modelo de regressão estimado e na interpretação dos regressores qualitativos, a afirmação que descreve corretamente o impacto do coeficiente da variável "Gênero" neste modelo é: A O salário inicial médio para todos os recém-formados do sexo masculino é de R$ 200,00, independentemente de sua pontuação no vestibular. B Para cada ponto adicional na pontuação do vestibular, o salário inicial aumenta em R$ 200,00, se o estudante for do sexo masculino. C Mantendo a pontuação no vestibular constante, espera-se que o salário inicial médio de recém-formados do sexo masculino seja R$ 200,00 maior do que o salário inicial médio de recém-formados do sexo feminino.
D A variável Gênero não tem um impacto estatisticamente significativo no salário inicial, pois seu coeficiente é relativamente pequeno.
User badge image
Diego Motta

ano passado

User badge image
Diego Motta

ano passado

Métodos Quantitativos em Contabilidade
9 pág.

Métodos Quantitativos em Contabilidade

Respostas

User badge image

Ed Verified user icon

ano passado

Vamos analisar cada uma das alternativas com base no modelo de regressão fornecido: O modelo é: SalárioInicial = 3000 + 50 × PontuaçãonoVestibular + 200 × Gênero Aqui, o coeficiente da variável "Gênero" é 200. Isso significa que, mantendo a pontuação no vestibular constante, o salário inicial médio dos recém-formados do sexo masculino (X2 = 1) é R$ 200,00 maior do que o salário inicial médio dos recém-formados do sexo feminino (X2 = 0). Agora, vamos analisar as alternativas: A) O salário inicial médio para todos os recém-formados do sexo masculino é de R$ 200,00, independentemente de sua pontuação no vestibular. - Incorreto. O salário inicial depende da pontuação no vestibular. B) Para cada ponto adicional na pontuação do vestibular, o salário inicial aumenta em R$ 200,00, se o estudante for do sexo masculino. - Incorreto. O aumento é de R$ 50,00 por ponto no vestibular, não R$ 200,00. C) Mantendo a pontuação no vestibular constante, espera-se que o salário inicial médio de recém-formados do sexo masculino seja R$ 200,00 maior do que o salário inicial médio de recém-formados do sexo feminino. - Correto. Esta afirmação reflete exatamente o impacto do coeficiente da variável "Gênero". D) A variável Gênero não tem um impacto estatisticamente significativo no salário inicial, pois seu coeficiente é relativamente pequeno. - Incorreto. O coeficiente de 200 indica um impacto significativo, mesmo que possa parecer pequeno em relação a outros fatores. Portanto, a alternativa correta é: C.

Essa resposta te ajudou?

0
Dislike0

Ainda não achou a resposta?

  • Integrado com os principais modelos de IA do mercado
  • Respostas em segundos
  • IA treinada para estudantes brasileiros.
PasseIA logoEvolua sua forma de estudar

Cadastre-se ou realize login

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

Métodos Quantitativos em Contabilidade
9 pág.

Métodos Quantitativos em Contabilidade

Mais perguntas desse material

Uma empresa listada em bolsa publicou seu relatório anual, incluindo as demonstrações financeiras e a discussão da administração. No entanto, analistas de mercado e investidores iniciantes expressaram dificuldade em compreender certas seções devido à linguagem excessivamente técnica, frases longas e complexidade na apresentação das informações. Isso levantou preocupações sobre a "legibilidade" do documento.


Com base no conceito de legibilidade em relatórios financeiros e suas consequências, a afirmação que descreve corretamente a importância da legibilidade e o impacto de um relatório de baixa legibilidade é:

A
A legibilidade em relatórios financeiros refere-se à facilidade com que as informações apresentadas podem ser compreendidas pelos usuários. Uma baixa legibilidade pode aumentar a assimetria de informações entre a empresa e os investidores, dificultando a tomada de decisões informadas e potencialmente afetando a liquidez das ações.

B
Relatórios de baixa legibilidade são um indicativo de que a empresa possui estratégias complexas e inovadoras, atraindo investidores mais sofisticados e aumentando a confiança no mercado.

C
A legibilidade de um relatório financeiro é determinada exclusivamente pelo número de páginas e pelo volume de informações contidas, sendo que relatórios mais curtos e com menos detalhes são sempre mais legíveis.

D
O principal impacto de um relatório com baixa legibilidade é que ele sempre contém erros contábeis materiais ou fraudes, necessitando de uma auditoria mais rigorosa.

Uma equipe de pesquisa em gestão de projetos está analisando a relação entre o número de horas trabalhadas em um projeto (Variável X) e a satisfação do cliente ao final do projeto (Variável Y, medida em uma escala de 0 a 100). Ao calcular o coeficiente de correlação de Pearson entre essas duas variáveis, a equipe obteve um valor próximo de zero (r = 0,05). Apesar desse resultado, um dos membros da equipe suspeita que ainda possa haver uma relação importante entre as variáveis, mas de natureza diferente da linear.
Com base no cenário apresentado e na interpretação do coeficiente de correlação de Pearson, assinale a alternativa que melhor descreve a implicação de um coeficiente de correlação próximo de zero e o que a equipe deveria considerar a seguir.
A - Um coeficiente de correlação de Pearson de 0,05 comprova que não existe absolutamente nenhuma relação entre as horas trabalhadas e a satisfação do cliente.
B - Um coeficiente de correlação de Pearson próximo de zero indica que não há uma forte relação linear entre as variáveis, mas não elimina a possibilidade de que exista uma relação não linear significativa que um diagrama de dispersão poderia revelar.
C - Esse resultado de correlação implica que o aumento das horas trabalhadas causa diretamente a manutenção da satisfação do cliente em um nível constante.
D - O valor de r = 0,05 sugere uma correlação negativa muito forte, indicando que quanto mais horas trabalhadas, menor a satisfação do cliente.

Uma empresa de telecomunicações realizou uma análise de regressão linear simples para investigar a relação entre o número de chamadas de suporte técnico recebidas por dia (variável independente X) e o tempo médio de espera dos clientes (variável dependente Y). O modelo gerado apresentou um coeficiente de determinação (R2) de 0.65.
Com base no resultado da análise de regressão e na interpretação do coeficiente de determinação (R2), assinale a alternativa que melhor descreve o que o valor de 0.65 indica neste contexto.
A - Aproximadamente 65% da variação no tempo médio de espera dos clientes pode ser explicada pelo número de chamadas de suporte técnico recebidas por dia, de acordo com o modelo.
B - O modelo de regressão linear prevê que 65% dos clientes terão um tempo de espera abaixo da média.
C - Existe uma correlação negativa de 0.65 entre o número de chamadas e o tempo de espera.
D - Para cada 100 chamadas de suporte técnico, o tempo médio de espera aumenta em 65 minutos.

Em análises estatísticas, frequentemente utilizamos amostras para obter estimativas de parâmetros de uma grande população. Embora os estimadores pontuais forneçam um único valor como estimativa, eles possuem uma limitação inerente: não oferecem uma medida de quão confiável ou precisa é essa estimativa. Para contornar essa questão e fornecer uma visão mais completa sobre o parâmetro populacional, a estimação por intervalo é amplamente empregada.
Considerando a limitação dos estimadores pontuais e a solução oferecida pela estimação por intervalo, assinale a alternativa que descreve corretamente a principal vantagem da estimação por intervalo.
A Estimadores pontuais são sempre mais precisos que estimativas por intervalo, pois fornecem um valor único e exato do parâmetro populacional.
B A estimação por intervalo fornece uma faixa de valores prováveis para o parâmetro populacional, acompanhada de um nível de confiança que indica a probabilidade de essa faixa conter o verdadeiro valor do parâmetro, superando a ausência de informação sobre precisão dos estimadores pontuais.
C Intervalos de confiança são utilizados para identificar quais parâmetros populacionais não podem ser estimados com base em amostras.
D A principal vantagem da estimação por intervalo é que ela substitui a necessidade de coleta de dados de amostras, pois o intervalo já representa a população.

Uma instituição financeira está interessada em prever se um cliente irá "aprovar" ou "rejeitar" uma oferta de empréstimo pessoal (variável dependente Y, codificada como 1 para aprovar e 0 para rejeitar) com base em seu histórico de crédito (variável independente X1) e renda mensal (variável independente X2). Inicialmente, um analista considerou aplicar um modelo de regressão linear simples (Mínimos Quadrados Ordinários - MQO), mas foi alertado de que essa abordagem pode não ser a mais adequada para uma variável dependente binária.
Considerando o desafio de modelar uma variável dependente qualitativa (binária) em regressão, a afirmação que descreve corretamente a inadequação da regressão linear simples e a abordagem mais apropriada é:
A A principal razão para não usar regressão linear simples com variáveis dependentes binárias é que ela sempre resultará em um coeficiente de determinação (R2) muito baixo, tornando o modelo inútil.
B A regressão linear simples é inadequada para uma variável dependente binária porque pode violar pressupostos de normalidade e homocedasticidade dos erros, além de gerar previsões fora do intervalo [0,1]; para esse tipo de variável dependente, a regressão logística (Logit) é a abordagem mais indicada.
C A regressão linear simples pode ser usada, desde que se remova os outliers da variável dependente, e os coeficientes serão interpretados diretamente como a probabilidade de aprovação.
D A única alternativa à regressão linear para variáveis dependentes qualitativas é a análise de componentes principais, que identifica os fatores mais importantes na decisão do cliente.

Uma equipe de auditores está analisando os dados de faturamento mensal de diferentes filiais de uma empresa e precisa verificar se essa variável segue uma distribuição normal, o que é um pré-requisito para a aplicação de alguns testes estatísticos paramétricos. Como parte da análise exploratória, a equipe plotou um histograma dos dados de faturamento. Ao observar o gráfico, a distribuição das barras formou um padrão semelhante a um sino.
Considerando a análise do histograma e o objetivo de verificar a normalidade dos dados, assinale a alternativa que descreve corretamente a relação entre a visualização do histograma e a Distribuição Normal.
A O formato de sino no histograma prova que os dados seguem uma distribuição normal, tornando desnecessária qualquer outra análise de normalidade.
B Embora o histograma possa ter formato de sino, ele não é uma ferramenta adequada para examinar a normalidade de dados, pois apenas testes formais são válidos para essa verificação.
C A forma de sino do histograma é irrelevante para a normalidade, uma vez que a distribuição normal é caracterizada exclusivamente pela média e pelo desvio padrão dos dados, sem dependência de sua representação gráfica.
D A observação de um histograma com formato de sino é um indicativo visual de que os dados podem seguir uma distribuição normal, e plotar tal gráfico é, de fato, uma das primeiras e mais importantes formas de examinar essa característica de um conjunto de dados.

A diretoria de uma grande empresa de tecnologia está sob pressão para apresentar resultados financeiros robustos no final do ano fiscal, a fim de cumprir as projeções de analistas de mercado e garantir bônus aos executivos. O diretor financeiro está analisando diversas formas de influenciar os lucros reportados, algumas das quais podem ser consideradas 'gerenciamento de resultados'.
Com base na situação apresentada e nos conceitos de gerenciamento de resultados, a afirmação que descreve corretamente essa prática em comparação com escolhas contábeis legítimas é:
A Gerenciamento de resultados é uma prática contábil padrão que busca otimizar a carga tributária da empresa e garantir a conformidade com as normas regulatórias.
B Gerenciamento de resultados refere-se a intervenções intencionais nos relatórios financeiros para obter alguma vantagem privada ou para induzir em erro as partes interessadas sobre o desempenho econômico subjacente da empresa, distinguindo-se de escolhas contábeis legítimas que visam representar fielmente a realidade econômica.
C É sinônimo de fraude contábil e sempre envolve atividades ilegais, resultando em falsificação de registros e graves penalidades legais.
D O principal objetivo do gerenciamento de resultados é sempre aumentar a criação de valor de longo prazo para os acionistas, alinhando os interesses da gestão com os dos investidores.

Uma pesquisadora está investigando os fatores que influenciam o desempenho de alunos em um exame padronizado. Ela suspeita que variáveis como horas de estudo, nível socioeconômico e qualidade da escola podem ter efeitos diferentes sobre os alunos que têm desempenho muito baixo, médio ou muito alto. A regressão linear tradicional (Mínimos Quadrados Ordinários - MQO) foca apenas no efeito médio.
Considerando a suspeita da pesquisadora sobre o impacto diferenciado dos fatores no desempenho dos alunos e as abordagens de regressão, a afirmação que descreve corretamente a Regressão Quantílica e sua principal vantagem para este cenário é:
A A Regressão Quantílica é uma alternativa à regressão logística, sendo utilizada quando a variável dependente é binária e a regressão linear simples não é adequada.
B A Regressão Quantílica permite analisar o impacto dos preditores em diferentes pontos da distribuição da variável dependente (por exemplo, na mediana, no 25º ou no 75º percentil), oferecendo uma visão mais completa e granular dos efeitos, especialmente útil quando os efeitos variam ao longo da distribuição.
C Essa técnica é primariamente utilizada para corrigir problemas de multicolinearidade em modelos de regressão linear múltipla, pois ajusta os coeficientes para cada variável independentemente.
D A principal vantagem da Regressão Quantílica sobre a Regressão Linear Mínimos Quadrados (MQO) é que ela sempre produz um R2 muito maior, indicando um ajuste superior do modelo aos dados.

Uma empresa de consultoria está analisando dados sobre o tempo de uso de redes sociais por seus funcionários e o nível de produtividade no trabalho. A equipe de análise de dados calculou um coeficiente de correlação linear significativo entre essas duas variáveis. Contudo, antes de tirar conclusões precipitadas e implementar políticas baseadas nessa observação, é crucial que a equipe compreenda as limitações da análise de correlação e o que é necessário para inferir uma relação de causa e efeito.
Considerando a análise de correlação entre variáveis e a complexidade de se estabelecer causalidade, assinale a alternativa que apresenta a afirmação correta sobre a relação entre correlação e causalidade.
A Uma correlação forte e positiva entre duas variáveis é uma prova estatística de que uma variável causa a outra, validando a relação de causa e efeito.
B A análise de correlação quantifica a força e a direção de uma relação linear entre variáveis, mas, por si só, não é suficiente para estabelecer uma relação de causa e efeito, que geralmente depende de um embasamento teórico ou de um delineamento experimental adequado.
C A correlação é uma medida que só é aplicável quando as variáveis possuem unidades de medida diferentes, pois ela padroniza a relação.
D O principal propósito da análise de correlação é identificar a variável dependente e a variável independente em um modelo de regressão, sendo ela a única ferramenta para isso.

Um economista está planejando um estudo para analisar o impacto de diferentes fatores socioeconômicos no consumo de energia elétrica. Antes de iniciar a coleta e análise dos dados, ele precisa decidir qual tipo de estrutura de dados é mais adequado para sua pesquisa, considerando as características e desafios de cada uma.
Com base nos diferentes tipos de estruturas de dados (corte transversal, séries históricas e dados em painel) utilizadas em estudos econométricos, a afirmação que descreve corretamente uma dessas estruturas de dados é:
A Dados em corte transversal consistem em observações de uma única variável ao longo de vários períodos de tempo para uma mesma entidade.
B Dados em séries históricas são coletados para diversas entidades em um único ponto no tempo, sendo ideais para analisar o comportamento de um grupo em um momento específico.
C Dados em painel (ou longitudinais) combinam informações de corte transversal e séries históricas, observando múltiplas unidades (indivíduos, empresas, países) ao longo de múltiplos períodos de tempo, o que permite controlar por heterogeneidade não observada.
D Para evitar problemas de autocorrelação, dados em painel são sempre preferíveis, pois por definição não apresentam dependência temporal entre as observações.

Correr, a aplicação direta da fórmula da distribuição binomial se torna computacionalmente inviável e trabalhosa.
Considerando a situação descrita e as características da distribuição binomial para grandes volumes de dados, assinale a alternativa que justifica a utilidade da aproximação da distribuição binomial pela normal.
A A distribuição normal pode ser usada como uma aproximação da binomial em qualquer situação, independentemente do tamanho da amostra, simplificando sempre os cálculos.
B A utilidade da aproximação reside em transformar uma variável contínua (normal) em uma discreta (binomial), o que facilita a análise de contagens.
C A aplicação direta da fórmula binomial para grandes tamanhos de amostra e número de sucessos é computacionalmente trabalhosa, tornando a distribuição normal uma aproximação útil e mais fácil de calcular, desde que as condições de aproximação (n não muito pequeno) sejam atendidas.
D A distribuição binomial é intrinsecamente mais complexa que a normal, por isso, sempre que possível, deve-se substituí-la pela normal, mesmo que as condições de aproximação não sejam plenamente satisfeitas.

Um analista financeiro está avaliando duas empresas do mesmo setor para uma possível recomendação de investimento. Ambas as empresas reportaram o mesmo nível de lucro líquido no ano corrente. No entanto, o analista sabe que, para tomar uma decisão informada, ele precisa ir além do lucro reportado e analisar a persistência desses lucros, bem como a sua composição. Com base nos conceitos de persistência dos lucros e na sua composição, a afirmação que descreve corretamente a importância da persistência e a diferença entre os componentes dos lucros é:

A A persistência dos lucros é crucial para a avaliação de empresas, pois indica a capacidade do lucro atual de se manter no futuro. Geralmente, o componente de fluxo de caixa operacional dos lucros é considerado mais persistente do que o componente de accruals (ajustes contábeis), devido à maior discricionariedade e suscetibilidade a reversões dos accruals.
B
A persistência dos lucros é uma métrica que mede a volatilidade dos lucros ao longo do tempo; quanto maior a volatilidade, maior a persistência e, consequentemente, mais previsíveis os lucros.

C
Accruals representam a parte mais confiável e persistente dos lucros, pois refletem transações econômicas passadas com maior precisão do que o fluxo de caixa.

D
A persistência dos lucros é uma preocupação apenas para análises de curto prazo, pois no longo prazo, todos os lucros tendem a se estabilizar e ter a mesma persistência.

Uma equipe de pesquisadores em contabilidade está investigando a relação entre duas variáveis financeiras: o volume de vendas mensais (X) e os custos operacionais (Y) de pequenas e médias empresas. Eles possuem dados pareados de diversas empresas e desejam, inicialmente, obter uma compreensão visual da natureza dessa relação (se é forte, fraca, positiva, negativa ou inexistente) antes de aplicar análises estatísticas mais complexas, como a regressão.
Considerando o objetivo da equipe de visualizar o comportamento conjunto das variáveis de vendas e custos e suas inter-relações, assinale a alternativa que apresenta a ferramenta gráfica mais adequada para essa finalidade.
A Histograma.
B Diagrama de dispersão.
C Gráfico de barras.
D Tabela de contingência.

Uma empresa de produtos de beleza notou que, nos meses em que investiu mais em publicidade (Variável A), houve também um aumento nas vendas de protetor solar (Variável B). A equipe de marketing ficou entusiasmada, sugerindo que o aumento da publicidade causou diretamente o aumento nas vendas de protetor solar. No entanto, um estatístico da equipe alertou para a necessidade de cautela na interpretação dessa relação.
Considerando o cenário descrito e os princípios da estatística, assinale a alternativa que melhor explica por que a correlação observada entre o investimento em publicidade e as vendas de protetor solar não pode ser diretamente interpretada como uma relação de causa e efeito.
A Uma correlação positiva forte sempre significa que a variável de publicidade é a causa direta do aumento nas vendas de protetor solar.
B A correlação só é válida para dados coletados em experimentos controlados, não para observações de mercado como vendas e publicidade.
C A correlação indica uma associação entre as variáveis, mas não estabelece causalidade; o aumento nas vendas de protetor solar pode ser influenciado por fatores externos como o clima quente, que também levaria a um aumento no investimento em publicidade de produtos sazonais.
D Para provar a causalidade, bastaria calcular um coeficiente de correlação de Pearson acima de 0.90, independentemente de qualquer outro fator.

Um comitê de auditoria de uma empresa listada em bolsa está revisando o desempenho da auditoria externa e considerando a contratação de uma nova firma para os próximos anos. A principal preocupação do comitê é garantir a mais alta "qualidade da auditoria" para assegurar a credibilidade de suas demonstrações financeiras aos investidores.
Com base nos determinantes da qualidade da auditoria, a afirmação que descreve corretamente fatores que contribuem para uma auditoria de alta qualidade é:
A Uma auditoria de alta qualidade é obtida principalmente pela escolha da firma de auditoria que oferece os menores honorários, pois isso indica maior eficiência e menos custos desnecessários para o cliente.
B A qualidade da auditoria está frequentemente associada à reputação e tamanho da firma de auditoria (as "Big N"), que tendem a possuir mais recursos e expertise, e, crucialmente, à independência do auditor em relação ao cliente, garantindo objetividade na avaliação das demonstrações financeiras.
C A qualidade da auditoria é inversamente proporcional à persistência dos lucros da empresa auditada; quanto menor a persistência, maior a qualidade da auditoria.
D O principal objetivo da qualidade da auditoria é garantir que nenhuma fraude de qualquer tipo exista na empresa, sendo irrelevante a capacidade de reportar julgamentos contábeis discricionários dentro das normas.

Uma equipe de análise financeira precisa estimar características de uma grande população de investimentos com base em uma amostra. Para fazer inferências precisas sobre a população, é fundamental que a equipe selecione e utilize as estatísticas amostrais que são consideradas "boas estimadoras" dos parâmetros populacionais correspondentes, garantindo que as estimativas sejam confiáveis e eficientes.
Considerando o objetivo de estimar parâmetros populacionais a partir de dados amostrais, assinale a alternativa que apresenta um conjunto de estatísticas amostrais amplamente reconhecidas como "boas estimadoras" para os parâmetros populacionais de interesse.
A - Mediana amostral, moda amostral, amplitude amostral e coeficiente de variação amostral.
B - Média amostral, desvio-padrão amostral, erro padrão da média e tamanho da amostra.
C - Proporção amostral, mediana amostral, desvio-padrão interquartil e variância.
D - Média amostral, proporção amostral, variância amostral e desvio-padrão amostral.

Uma equipe de análise de dados está trabalhando com um conjunto de informações financeiras que, após verificação, seguem uma distribuição normal. Para realizar inferências estatísticas e aplicar corretamente os modelos, é crucial que a equipe compreenda as características fundamentais dessa distribuição, uma das mais importantes na estatística inferencial. A clareza sobre suas propriedades permite uma interpretação precisa dos resultados e a validação das suposições de diversos testes.
Considerando a importância da Distribuição Normal em análises estatísticas, assinale a alternativa que descreve corretamente as suas propriedades essenciais.
A - Possui uma curva em forma de sino, é simétrica em torno da média, e a média, mediana e moda são coincidentes em seu centro, com a área total sob a curva sendo igual a um.
B - É uma distribuição sempre assimétrica à direita, onde a moda é maior que a média e a mediana, e sua área total pode variar dependendo do desvio padrão.
C - Sua forma é determinada exclusivamente pelo desvio padrão, o que permite identificar o valor do p-valor para qualquer teste de hipóteses realizado, independentemente do nível de significância.
D - É caracterizada por possuir sua hipótese nula e alternativa já definidas, sendo o principal objetivo de seu uso determinar a área crítica para rejeição da hipótese.

Uma equipe de pesquisadores está analisando o desempenho financeiro de empresas e o impacto de certas políticas corporativas. Eles têm acesso a dados anuais de diversas empresas ao longo de uma década. A equipe discute a melhor forma de modelar esses dados, reconhecendo que características intrínsecas a cada empresa (como cultura organizacional ou qualidade da gestão) podem influenciar os resultados, mas não são diretamente observáveis.
Com base nas características dos diferentes tipos de estruturas de dados e nos desafios de modelagem, a afirmação que descreve corretamente a vantagem dos dados em painel na abordagem de problemas de heterogeneidade não observada é:
A - O uso de dados em painel é essencialmente para corrigir problemas de multicolinearidade entre as variáveis independentes, ao invés de usar o Fator de Inflação da Variância (VIF).
B - Os dados em painel são particularmente vantajosos para abordar a heterogeneidade não observada e invariante no tempo entre as unidades (empresas, neste caso), pois permitem o uso de técnicas como os Modelos de Efeitos Fixos, que controlam características específicas de cada unidade que não mudam ao longo do tempo e que não são mensuráveis, mitigando o viés de variável omitida.
C - Dados em painel eliminam automaticamente todos os problemas de endogeneidade e causalidade reversa, tornando o modelo livre de vieses, mesmo sem o uso de variáveis instrumentais.
D - A principal vantagem dos dados em painel é permitir a análise de tendências de curto prazo de uma única entidade, de forma mais eficiente do que as séries históricas.

Um time de cientistas de dados está desenvolvendo um modelo de regressão linear múltipla para prever o preço de imóveis (variável dependente Y) com base em diversas características, como área construída (X1), número de quartos (X2) e número de banheiros (X3). Ao analisar as estatísticas do modelo, eles notaram que algumas variáveis independentes apresentavam uma correlação muito alta entre si, levantando a preocupação com um problema conhecido em regressão.
Com base no problema identificado pela equipe e nos indicadores de análise de regressão, a afirmação que descreve corretamente a multicolinearidade e sua principal implicação no modelo de regressão é:
A - A multicolinearidade é um problema que surge quando os resíduos do modelo de regressão não seguem uma distribuição normal, invalidando os testes de hipótese.
B - Se houver multicolinearidade, o modelo de regressão não poderá ser ajustado, pois os softwares estatísticos não conseguirão calcular os coeficientes.
C - A multicolinearidade indica que a variável dependente possui múltiplos fatores causais, o que é um cenário ideal para a regressão, pois aumenta o R2 do modelo.
D - A multicolinearidade ocorre quando há uma alta correlação entre duas ou mais variáveis independentes do modelo, o que dificulta a estimação precisa dos efeitos individuais de cada preditor e resulta em erros-padrão inflacionados para os coeficientes.

Mais conteúdos dessa disciplina