Considere uma variável resposta X e duas variáveis explicativas X₁ e X₂. Nesse caso, a soma de quadrados totais (SQT) do modelo Y , explicado por X₁, será maior que a soma de quadrados totais do modelo Y, explicado por X₁ e X₂.

Considere que, em um modelo de regressão linear simples ajustado em uma amostra de tamanho n = 16, tenha sido obtido um valor crítico para a análise de variância do teste de ajuste do modelo igual a 4,54. Nesse cenário, se o modelo estiver bem ajustado, o coeficiente de determinação será maior que ⁵⁄₆

Assuma que um modelo de regressão com 5 variáveis explicativas tenha sido ajustado em uma amostra de tamanho n = 25 e obteve-se um coeficiente de determinação do modelo igual a R² = 0,80. Nessa situação, o coeficiente de determinação ajustado (R²⁄_α)será maior que 0,75.

Considere que, em um modelo de regressão de Y, explicado por X₁, se obtenha uma soma de quadrados totais (SQT) igual a 419,875 e uma soma de quadrados da regressão (SQReg) igual a 231,125. Assumindo que, no modelo de Y, explicado por X₁ e X₂, se obtenha uma soma de quadrados do resíduo (SQR) igual a 17,625, então é correto afirmar que a soma de quadrado extra, devido ao acréscimo de X₂, é igual a 171,125.

A função de autocorrelação e a função de autocorrelação parcial permitem avaliar a qualidade do ajuste e decidir sobre a ordem do modelo a ser empregado.

A diferença entre um modelo ARIMA e um modelo SARIMA é a sazonalidade presente nos dados.

Ao se aplicar um modelo de tendência, cujo tempo é utilizado como variável explicativa em um modelo de regressão linear, deve-se utilizar o teste de Durbin-Watson para verificar a autocorrelação serial dos resíduos.

Mais de 25% das pesquisas apresentam 3 ou mais doutores como seus componentes.

O nível de mensuração da variável é qualitativo ordinal.

No total, foram analisadas 20 pesquisas.