Verifique se as afirmações abaixo são corretas e justifique sua resposta.
Em um MLS, Y_{i}=\beta_{0}+\beta_{1} X_{i}+\varepsilon_{i}, temos que \beta_{0} e \beta_{1} são os únicos parâmetros desconhecidos.

Passo 1

O enunciado nos dá o seguinte modelo linear simples (MLS):
Y_{i}=\beta_{0}+\beta_{1} X_{i}+\varepsilon_{i},
e pede para verificar se a afirmação "as únicas parâmetros desconhecidos são \beta_{0} e \beta_{1}" é correta, com justificativa.
Informações relevantes dadas (explicitadas):
  • A relação funcional entre Y_i e X_i é linear com intercepto \beta_{0} e coeficiente angular \beta_{1}.
  • Aparece um termo de erro \varepsilon_{i}, sem especificação explícita no enunciado sobre sua distribuição, média ou variância.
  • Não foi afirmado que a variância dos erros é conhecida nem que os erros são determinísticos.
O que o enunciado pede: dizer se a afirmação sobre os parâmetros desconhecidos está correta e justificar.

Passo 2

O que é “parâmetro” aqui?
Um parâmetro é uma quantidade fixa e numérica que define a distribuição probabilística do modelo (ou a forma funcional que depende de constantes não observadas). No contexto de modelos com erro aleatório, os parâmetros incluem tanto os coeficientes determinísticos (como \beta_{0},\beta_{1}) quanto quaisquer quantidades que determinam a distribuição dos erros (por exemplo a variância).
Comentário intuitivo: as letras \beta_{0} e \beta_{1} são claramente parâmetros porque aparecem como constantes desconhecidas na relação entre X e Y. Mas o termo \varepsilon_i é um erro aleatório — ele tem uma distribuição que normalmente depende de parâmetros adicionais (por exemplo a variância).

Passo 3

Estrutura típica de suposições no MLS clássico (o que se costuma assumir; é importante porque muda quais são os parâmetros):
  • Normalmente assume-se que \varepsilon_{i} são i.i.d. com \mathbb{E}[\varepsilon_{i}]=0 \qquad\text{e}\qquad \operatorname{Var}(\varepsilon_{i})=\sigma^{2},onde \sigma^{2} é uma constante desconhecida. Muitas vezes também se assume \varepsilon_i\sim N(0,\sigma^2).
  • X_i são observados (podem ser considerados fixos ou aleatórios, conforme o contexto), mas o modelo condiciona em X_i.
Dado isso, se \varepsilon_i tem variância desconhecida \sigma^{2}, então \sigma^{2} é outro parâmetro desconhecido do modelo, além de \beta_{0} e \beta_{1}.

Passo 4

Exemplo concreto com distribuição normal (mostra matematicamente que há outro parâmetro):
Suponha \varepsilon_i\overset{\text{i.i.d.}}{\sim}N(0,\sigma^2). Então a densidade conjunta dos dados condicionada em X é
f(Y_1,\dots,Y_n\mid X_1,\dots,X_n;\beta_0,\beta_1,\sigma^2) =\prod_{i=1}^n \frac{1}{\sqrt{2\pi\sigma^2}} \exp\!\bigg(-\frac{(Y_i-\beta_0-\beta_1 X_i)^2}{2\sigma^2}\bigg).
Essa densidade depende explicitamente de \beta_0, \beta_1 e \sigma^2. Portanto, os parâmetros do modelo (no sentido estatístico) são \beta_0,\beta_1,\sigma^2.

Passo 5

Relação com estimação e inferência — por que \sigma^2 importa:
  • Os estimadores dos coeficientes (método dos mínimos quadrados ordinários) são \hat\beta_1=\frac{\sum_{i=1}^n (X_i-\bar X)(Y_i-\bar Y)}{\sum_{i=1}^n (X_i-\bar X)^2}, \qquad \hat\beta_0=\bar Y-\hat\beta_1\bar X.Esses estimadores não exigem conhecer \sigma^2 para serem calculados, mas sua variância depende de \sigma^2.
  • Por exemplo, \operatorname{Var}(\hat\beta_1)=\frac{\sigma^2}{\sum_{i=1}^n (X_i-\bar X)^2}.Para construir intervalos de confiança ou testes para \beta_1 é preciso estimar \sigma^2. O estimador usual é \hat\sigma^2=\frac{1}{n-2}\sum_{i=1}^n (Y_i-\hat Y_i)^2,que também é um parâmetro (estimado) associado à variância dos erros.
Isso mostra que, na prática, \sigma^2 é tratado como parâmetro desconhecido e estimado a partir dos dados.

Passo 6

Casos especiais que alteram a resposta:
  • Se o enunciado explicitamente assumir que a distribuição dos erros tem variância conhecida (por exemplo \sigma^2 conhecida), então os únicos parâmetros desconhecidos seriam \beta_0 e \beta_1. Nesse caso a afirmação seria verdadeira.
  • Se o enunciado for ambíguo (como aqui), a interpretação padrão em regressão é que \sigma^2 é desconhecida e precisa ser estimada — portanto a afirmação é falsa na interpretação padrão.
  • Outros parâmetros poderiam aparecer se modelarmos mais detalhes (por exemplo erros autocorrelacionados com parâmetro de autocorrelação), mas isso é além do MLS clássico.

Passo 7

Resumo didático e motivacional (um empurrãozinho de ânimo):
  • Pense assim: \beta_0,\beta_1 dizem como Y se relaciona com X. Mas \sigma^2 diz o quanto de “barulho” tem em volta dessa relação. Para fazer inferência séria (intervalos, testes) precisa saber (ou estimar) esse “barulho”. Logo, não vale esquecer \sigma^2 — ele é quase sempre um parâmetro desconhecido a menos que se diga o contrário.

Resposta

Falsa. Na formulação padrão do MLS, além de \beta_{0} e \beta_{1} o modelo contém também a variância desconhecida dos erros \sigma^{2} (ou, mais geralmente, parâmetros que descrevem a distribuição de \varepsilon_i); somente se \sigma^{2} for assumida conhecida é que \beta_{0} e \beta_{1} seriam os únicos parâmetros desconhecidos.

Exercícios relacionados