Um pesquisador do TRT está conduzindo um estudo sobre a satisfação dos servidores em relação a um novo sistema de gestão de processos. Para isso, ele planeja utilizar um modelo de regressão linear múltipla, relacionando a satisfação (Y) com quatro variáveis preditoras: idade (X1), tempo de serviço (X2), nível de escolaridade (X3) e frequência de uso do sistema (X4). Após coletar uma amostra de 100 servidores, ele obteve a seguinte matriz de correlação entre as variáveis:

Além disso, ao ajustar o modelo completo, o pesquisador calculou os fatores de inflação da variância (VIF) para cada preditor, obtendo: VIF(X1)=3,2; VIF(X2)=4,5; VIF(X3)=1,1; VIF(X4)=2,8. Com base nessas informações e nos conceitos de modelagem estatística, avalie as afirmativas a seguir:

1. A multicolinearidade entre X1 e X2 é preocupante, pois o VIF de X2 é superior a 4, indicando que a variância do coeficiente estimado para X2 está inflada em 450% devido à correlação com as demais preditoras.
2. A remoção da variável X1 do modelo reduziria a multicolinearidade, uma vez que X1 apresenta correlação alta com X2, mas essa remoção poderia enviesar as estimativas dos coeficientes das demais variáveis se X1 for relevante para explicar Y.
3. A correlação entre X3 e X4 é baixa (0,15), portanto, a inclusão de ambas no modelo não contribui para o aumento do VIF de X4, que é explicado principalmente pela correlação de X4 com X2 e X1.
4. Se o pesquisador optar por utilizar a regressão por componentes principais (PCR) para lidar com a multicolinearidade, ele obterá componentes que são combinações lineares das variáveis originais e que, por construção, são ortogonais entre si, mas a interpretação dos coeficientes do modelo original pode ficar comprometida.

Estão corretas apenas as afirmativas: