Una variabile omessa viene spesso esclusa da un modello di regressione per uno dei due motivi:<\/span><\/p>\n 1.<\/strong> I dati per la variabile semplicemente non sono disponibili.<\/span><\/p>\n 2.<\/strong> L’effetto della variabile esplicativa sulla variabile di risposta<\/a> non \u00e8 noto.<\/span><\/p>\n Affinch\u00e9 la variabile omessa distorca effettivamente i coefficienti del modello, devono essere soddisfatte le seguenti due condizioni:<\/span><\/p>\n 1.<\/strong> La variabile omessa deve essere correlata con una o pi\u00f9 variabili esplicative nel modello.<\/span><\/p>\n 2.<\/strong> La variabile omessa deve essere correlata con la variabile di risposta nel modello.<\/span><\/p>\n Supponiamo di avere due variabili esplicative, A e B, e una variabile di risposta, Y. Supponiamo di adattare un modello di regressione lineare semplice con A come unica variabile esplicativa e di lasciare B fuori dal modello.<\/span><\/p>\n Se B \u00e8 correlato ad A e<\/em> correlato a Y, ci\u00f2 si tradurr\u00e0 in una distorsione nella stima del coefficiente di A. Il diagramma seguente mostra come la stima del coefficiente di A sar\u00e0 distorta, a seconda della natura della relazione con B:<\/span> <\/p>\n Supponiamo di voler studiare l’effetto della metratura sul prezzo degli immobili e quindi applichiamo il seguente semplice modello di regressione lineare:<\/span><\/p>\n Prezzo della casa = B 0<\/sub> + B 1<\/sub> (area quadrata)<\/span><\/p>\n Supponiamo di trovare che il modello stimato \u00e8:<\/span><\/p>\n Prezzo della casa = 40.203,91 + 118,31 (superficie quadrata)<\/strong><\/span><\/p>\n Il modo in cui interpretiamo il coefficiente della metratura \u00e8 che ogni ulteriore aumento di un’unit\u00e0 di metratura \u00e8 associato a un aumento del prezzo delle case in media di $ 118,31.<\/em><\/span><\/p>\n Tuttavia, supponiamo di tralasciare la variabile esplicativa et\u00e0<\/em> che risulta essere fortemente correlata negativamente con la metratura e fortemente correlata negativamente con il prezzo degli immobili. Questa variabile dovrebbe essere nel modello, ma non lo \u00e8. Pertanto, la stima del coefficiente per la metratura \u00e8 probabilmente distorta.<\/span><\/p>\n Poich\u00e9 l\u2019et\u00e0<\/em> \u00e8 correlata negativamente sia con la variabile esplicativa che con quella di risposta nel modello, ci aspettiamo che la stima del coefficiente per la metratura sia distorta positivamente:<\/span> <\/p>\n Supponiamo di trovare i dati sull’et\u00e0 dell’abitazione e di includerli nel modello. Il modello diventa quindi:<\/span><\/p>\n Prezzo della casa = B 0<\/sub> + B 1<\/sub> (area quadrata) + B 2<\/sub> (et\u00e0)<\/span><\/p>\n Supponiamo di trovare che il modello stimato \u00e8:<\/span><\/p>\n Prezzo della casa = 123.426,20 + 81,06 (superficie quadrata) \u2013 1.291,04 (et\u00e0)<\/strong><\/span><\/p>\n Si noti che la stima del coefficiente per la metratura \u00e8 diminuita in modo significativo, il che significa che nel modello precedente era<\/em> distorta positivamente.<\/span><\/p>\n Il modo in cui interpretiamo il coefficiente di metratura in questo modello \u00e8 che ogni ulteriore aumento di un’unit\u00e0 di metratura \u00e8 associato a un aumento medio del prezzo delle case di $ 81,06, assumendo che l’et\u00e0 rimanga costante.<\/em><\/span><\/p>\n Sfortunatamente, la distorsione da variabili omesse si verifica spesso nel mondo reale perch\u00e9 alcune variabili dovrebbero<\/em> generalmente essere incluse in un modello di regressione, ma non lo sono perch\u00e9 i dati relativi non sono disponibili o la relazione tra loro e la variabile di risposta \u00e8 sconosciuta.<\/span><\/p>\n Se possibile, dovresti provare a includere tutte le variabili esplicative rilevanti in un modello di regressione in modo da poter comprendere la vera relazione tra le variabili esplicative e la variabile di risposta.<\/span><\/p>\n Escludere variabili esplicative rilevanti da un modello pu\u00f2 influenzare significativamente l\u2019interpretazione del modello, come abbiamo visto nell\u2019esempio precedente con i prezzi immobiliari.<\/span><\/p>\n Cos’\u00e8 una variabile nascosta?<\/a> La distorsione da variabili omesse si verifica quando una variabile esplicativa rilevante non \u00e8 inclusa in un modello di regressione , il che pu\u00f2 comportare una distorsione nel coefficiente di una o pi\u00f9 variabili esplicative nel modello. Una variabile omessa viene spesso esclusa da un modello di regressione per uno dei due motivi: 1. I […]<\/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 Gli effetti della distorsione da variabili omesse<\/strong><\/span><\/h3>\n
![\"Distorsione](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/omis1.png\")
<\/p>\n Esempio: distorsione da variabile omessa<\/strong><\/span><\/h3>\n
![\"Distorsione](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/omis2.png\")
<\/p>\n Cosa fare in caso di distorsione da variabili omesse<\/strong><\/span><\/h3>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Cos’\u00e8 una variabile confusa?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"