Vamos analisar cada uma das afirmações sobre a construção e interpretação de modelos de regressão linear múltipla: ( ) Na análise de resíduos, resíduos aleatórios e normalmente distribuídos indicam um bom ajuste do modelo. É verdadeira (V). Resíduos que são aleatórios e normalmente distribuídos sugerem que o modelo está capturando bem a relação entre as variáveis. ( ) Um valor de p pequeno (geralmente < 0,05) indica uma evidência forte de que o coeficiente de regressão é diferente de zero. É verdadeira (V). Um valor de p menor que 0,05 geralmente indica que há uma relação estatisticamente significativa entre a variável independente e a variável dependente. ( ) O coeficiente de determinação (R²) mede a proporção da variabilidade na variável dependente, que é explicada pelas variáveis independentes no modelo. É verdadeira (V). O R² quantifica a proporção da variação total da variável dependente que é explicada pelo modelo. ( ) Na construção do modelo, a coleta de dados deve ser seguida imediatamente pela validação do modelo para garantir a precisão dos coeficientes de regressão. É falsa (F). A validação do modelo deve ser feita após a construção e ajuste do modelo, não imediatamente após a coleta de dados. ( ) A análise de correlação é usada para medir a força e a direção da relação linear entre duas variáveis, e um coeficiente de correlação (r) de -1 indica uma correlação negativa perfeita. É verdadeira (V). Um coeficiente de correlação de -1 realmente indica uma correlação negativa perfeita entre as duas variáveis. Portanto, a sequência correta é: V - V - V - F - V. A alternativa que corresponde a essa sequência é a C) V – V – V – F – V.