Questão 2951044

• Banca: FGV
• Órgão: DPE-RJ
• Ano: 2019
• Provas: FGV - 2019 - DPE-RJ - Técnico Superior Especializado - Estatística
• Disciplina: Estatística
• Assuntos: Estatística descritiva (análise exploratória de dados); Tipos de variáveis

Suponha que um econometrista está avaliando o conjunto de variáveis explicativas que deve ser incluído em um modelo de regressão, podendo usar os métodos de Backward ou Forward ou Stepwise.

Sobre essas alternativas, é correto afirmar que:

• A. o método de Backward seleciona inclusões a partir do menor nível de significância de uma distribuição Qui-quadrado;
• B. o método de Forward seleciona inclusões a partir do maior nível de significância num teste de razão de verossimilhança;
• C. no método de Stepwise, aplicado a curva Logit, as inclusões se dão através do menor p-valor associado a uma F-Snedecor;
• D. o método de Forward seleciona exclusões a partir do menor nível de significância de uma estatística F-Snedecor observada;
• E. no método de Backward as exclusões seguem dois critérios, um relativo de comparação entre estatísticas F observadas e outro absoluto, através de um nível de significância fixado.

Gabarito: E

Comentários

• no método de Backward as exclusões seguem dois critérios, um relativo de comparação entre estatísticas F observadas e outro absoluto, através de um nível de significância fixado.

• Alternativa: E

  SELEÇÃO FORWARD

  Esse procedimento parte da suposição de que não há variável no modelo, apenas o intercepto. A ideia do método é adicionar uma variável de cada vez. A primeira variável selecionada é aquela com maior correlação com a resposta.

  SELEÇÃO BACKWARD

  Enquanto o método Forward começa sem nenhuma variável no modelo e adiciona variáveis a cada passo, o método Backward faz o caminho oposto; incorpora inicialmente todas as variáveis e depois, por etapas, cada uma pode ser ou não eliminada.

  SELEÇÃO STEPWISE

  Stepwise é uma modificação da seleção Forward em que cada passo todas as variáveis do modelo são previamente verificadas pelas suas estatísticas F parciais. Uma variável adicionada no modelo no passo anterior pode ser redundante para o modelo por causa do seu relacionamento com as outras variáveis e se sua estatística F parcial for menor que FoutFout, ela é removida do modelo.

  Fonte: http://www.portalaction.com.br/analise-de-regressao/272-selecao-automatica