Um modelo de regressão linear múltipla foi desenvolvido para prever o tempo de tramitação de processos judiciais (em dias), com base na quantidade de páginas do processo e no número de partes envolvidas. Durante a análise de resíduos do modelo, o analista decide calcular a distância de Cook para identificar possíveis observações influentes. Nesse contexto, assinale a afirmativa correta.
- A)A remoção de observações com alta distância de Cook sempre melhora a precisão do modelo de regressão linear.
Errada, porque remover observações com alta distância de Cook não melhora sempre o modelo; antes é preciso verificar se elas são válidas e se realmente distorcem o ajuste.
- B)A distância de Cook é usada apenas para identificar outliers e não considera a influência das observações nas estimativas dos coeficientes do modelo.
Errada, porque a distância de Cook justamente mede influência sobre as estimativas dos coeficientes, e não apenas a presença de outliers.
- C)Uma observação com valor elevado para a distância de Cook pode ser considerada influente, sugerindo que sua remoção pode causar uma mudança nos coeficientes do modelo.
Certa, porque uma distância de Cook elevada indica que a observação pode ser influente e que sua remoção pode alterar os coeficientes do modelo.
- D)Qualquer processo que possua um número elevado tanto de páginas quanto de partes envolvidas terá um valor elevado de distância de Cook, devendo ser removida para melhorar o ajuste do modelo.
Errada, porque valores altos nas variáveis explicativas não implicam automaticamente distância de Cook alta; a influência depende da combinação entre alavancagem e resíduos.
- E)A remoção de observações com distância de Cook elevada deve ser realizada de forma imediata e deliberada, sem realizar uma análise mais aprofundada da sua origem ou representatividade no contexto dos dados
Errada, porque observações influentes não devem ser eliminadas de forma automática, sendo necessária análise da origem, da consistência e da representatividade do dado.
Gabarito: C
A distância de Cook é uma medida muito usada na regressão para detectar observações influentes, isto é, pontos que podem mudar de forma relevante os coeficientes do modelo se forem retirados. Em outras palavras, ela não olha só para o fato de a observação ser “estranha”, mas para o quanto ela bagunça a solução da regressão. É como perceber que um único processo, se sair da amostra, pode alterar bem a linha estimada do tempo de tramitação. Aí mora o perigo estatístico. No modelo de regressão linear múltipla, um valor elevado da distância de Cook indica influência potencialmente alta sobre os coeficientes e sobre o ajuste do modelo. Isso não significa, automaticamente, que a observação deve ser excluída. Primeiro você investiga a origem do dado, se houve erro de registro, se ele representa um caso real e relevante, e só depois decide o tratamento. Estatística boa não é a que “limpa tudo”, mas a que entende o que está acontecendo. Por isso a alternativa C está correta: uma observação com distância de Cook elevada pode ser influente, ou seja, sua presença pode alterar de modo importante os coeficientes estimados. Esse é exatamente o papel dessa medida: chamar atenção para pontos que merecem análise cuidadosa. Em termos doutrinários, a distância de Cook é um diagnóstico clássico de influência em regressão, muito associado à ideia de leverage combinado com resíduos grandes. As demais alternativas exageram ou simplificam demais o uso da medida. Em prova, a banca costuma misturar “outlier”, “ponto influente” e “remoção automática” para ver se você percebe que uma coisa não é igual à outra. Nem todo ponto extremo é influente, e nem todo ponto influente deve ser jogado fora sem investigação.