In genere, quando eseguiamo una regressione lineare multipla, i coefficienti di regressione risultanti non sono standardizzati<\/strong> , nel senso che utilizzano i dati grezzi per trovare la linea pi\u00f9 adatta.<\/span><\/p>\n Tuttavia, quando le variabili predittive vengono misurate su scale radicalmente diverse, pu\u00f2 essere utile eseguire una regressione lineare multipla utilizzando dati standardizzati, ottenendo coefficienti standardizzati<\/strong> .<\/span><\/p>\n Per aiutarti a comprendere questa idea, facciamo un semplice esempio.<\/span><\/p>\n Supponiamo di avere il seguente set di dati contenente informazioni sull’et\u00e0, la metratura e il prezzo di vendita di 12 case:<\/span> <\/p>\n Supponiamo quindi di eseguire una regressione lineare multipla, utilizzando l’et\u00e0<\/strong> e la metratura<\/strong> come variabili predittive e il prezzo<\/strong> come variabile di risposta.<\/span><\/p>\n Ecco il risultato della regressione<\/a> :<\/span> <\/p>\n I coefficienti di regressione in questa tabella non sono standardizzati<\/strong> , nel senso che hanno utilizzato i dati grezzi per adattarsi a questo modello di regressione.<\/span> A prima vista, sembra che l’et\u00e0<\/strong> abbia un effetto molto maggiore sul prezzo degli immobili poich\u00e9 il suo coefficiente nella tabella di regressione \u00e8 -409.833<\/strong> , rispetto a solo 100.866<\/strong> per la metratura<\/strong> variabile del predittore.<\/span><\/p>\n Tuttavia, l\u2019errore standard \u00e8 molto maggiore per l\u2019et\u00e0 che per la metratura, motivo per cui il valore p corrispondente \u00e8 in realt\u00e0 grande per l\u2019et\u00e0 (p = 0,520) e piccolo per la metratura (p = 0,000).<\/span><\/p>\n La ragione delle differenze estreme nei coefficienti di regressione \u00e8 dovuta alle differenze estreme nelle scale per le due variabili:<\/span><\/p>\n Supponiamo invece di normalizzare<\/strong> i dati grezzi originali convertendo ciascun valore dei dati originali in un punteggio z:<\/span> <\/p>\n Se poi eseguiamo una regressione lineare multipla utilizzando i dati standardizzati, otterremo il seguente risultato di regressione:<\/span> <\/p>\n I coefficienti di regressione in questa tabella sono standardizzati<\/strong> , nel senso che hanno utilizzato dati standardizzati per adattarsi a questo modello di regressione. Il modo di interpretare i coefficienti nella tabella \u00e8 il seguente:<\/span><\/p>\n Possiamo immediatamente vedere che la metratura ha un effetto molto maggiore sui prezzi degli immobili rispetto all\u2019et\u00e0. Si noti inoltre che i valori p per ciascuna variabile predittrice sono esattamente gli stessi del modello di regressione precedente.<\/span><\/p>\n Correlato:<\/span><\/strong> Come calcolare i punteggi Z in Excel<\/a><\/p>\n Sia i coefficienti di regressione standardizzati che quelli non standardizzati possono essere utili a seconda della situazione. Particolarmente:<\/span><\/p>\n I coefficienti di regressione non standardizzati<\/strong> sono utili quando si desidera interpretare l’effetto che una modifica di un’unit\u00e0 in una variabile predittore ha su una variabile di risposta. Nell’esempio sopra, potremmo utilizzare i coefficienti di regressione non standardizzati della prima regressione per comprendere l’esatta relazione tra le variabili predittive e la variabile di risposta:<\/span><\/p>\n I coefficienti di regressione standardizzati<\/strong> sono utili quando si desidera confrontare l’effetto di diverse variabili predittive su una variabile di risposta. Poich\u00e9 ogni variabile \u00e8 standardizzata, puoi vedere quale variabile ha l’effetto maggiore<\/em> sulla variabile di risposta.<\/span><\/p>\n Lo svantaggio dei coefficienti di regressione standardizzati \u00e8 che sono un po\u2019 pi\u00f9 difficili da interpretare. Ad esempio, \u00e8 pi\u00f9 facile comprendere l\u2019effetto di un aumento di un\u2019unit\u00e0 di et\u00e0 sul prezzo degli immobili piuttosto che l\u2019effetto di un aumento di una deviazione standard sul prezzo degli immobili.<\/span><\/p>\n Come leggere e interpretare una tabella di regressione<\/a> La regressione lineare multipla \u00e8 un modo utile per quantificare la relazione tra due o pi\u00f9 variabili predittive e una variabile di risposta . In genere, quando eseguiamo una regressione lineare multipla, i coefficienti di regressione risultanti non sono standardizzati , nel senso che utilizzano i dati grezzi per trovare la linea pi\u00f9 adatta. Tuttavia, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Esempio: coefficienti di regressione standardizzati e non standardizzati<\/strong><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise1.png\")
<\/p>\n![\"Esempio](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise2.png\")
<\/p>\n\n
![\"Standardizzare](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise3.png\")
<\/p>\n![\"Coefficienti](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise4.png\")
<\/p>\n\n
Quando utilizzare coefficienti di regressione standardizzati o non standardizzati<\/strong><\/span><\/h3>\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come interpretare i coefficienti di regressione<\/a>
Come eseguire la regressione lineare multipla in Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"