Generalmente utilizziamo la regressione lineare con variabili quantitative<\/a> . A volte chiamate variabili \u201cnumeriche\u201d, si tratta di variabili che rappresentano una quantit\u00e0 misurabile. Esempi inclusi:<\/span><\/p>\n Tuttavia, a volte vogliamo utilizzare variabili categoriali come variabili predittive. Queste sono variabili che prendono nomi o etichette e possono rientrare in categorie. Esempi inclusi:<\/span><\/p>\n Quando si utilizzano variabili categoriali, non ha senso assegnare solo valori come 1, 2, 3 a valori come “blu”, “verde” e “marrone”, perch\u00e9 non ha senso dire quel verde \u00e8 doppio. colorato come il blu o il marrone \u00e8 tre volte pi\u00f9 colorato del blu.<\/span><\/p>\n Invece, la soluzione \u00e8 utilizzare variabili fittizie<\/strong> . Si tratta di variabili che creiamo appositamente per l’analisi di regressione e che assumono uno di due valori: zero o uno.<\/span><\/p>\n Variabili fittizie:<\/strong> variabili numeriche utilizzate nell’analisi di regressione per rappresentare dati categorici che possono assumere solo uno di due valori: zero o uno.<\/span><\/p>\n<\/blockquote>\n Il numero di variabili dummy che dobbiamo creare \u00e8 pari a k<\/em> -1 dove k<\/em> \u00e8 il numero di valori diversi che pu\u00f2 assumere la variabile categoriale.<\/span><\/p>\n Gli esempi seguenti illustrano come creare variabili fittizie per diversi set di dati.<\/span><\/p>\n Supponiamo di avere il seguente set di dati e di voler utilizzare il sesso<\/em> e l’et\u00e0<\/em> per prevedere il reddito<\/em> :<\/span> <\/p>\n Per utilizzare il genere<\/em> come variabile predittrice in un modello di regressione, dobbiamo convertirlo in una variabile fittizia.<\/span><\/p>\n Poich\u00e9 attualmente si tratta di una variabile categoriale che pu\u00f2 assumere due valori diversi (“Maschio” o “Femmina”), creiamo semplicemente k<\/em> -1 = 2-1 = 1 variabile fittizia.<\/span><\/p>\n Per creare questa variabile fittizia, possiamo scegliere uno dei valori (\u201cMaschio\u201d o \u201cFemmina\u201d) per rappresentare 0 e l’altro per rappresentare 1.<\/span><\/p>\n In generale, di solito rappresentiamo il valore pi\u00f9 frequente con uno 0, che sarebbe “Maschio” in questo set di dati.<\/span><\/p>\n Quindi, ecco come convertire il genere<\/em> in una variabile fittizia:<\/span> <\/p>\n Potremmo quindi utilizzare Age<\/em> e Gender_Dummy<\/em> come variabili predittive in un modello di regressione.<\/span><\/p>\n Supponiamo di avere il seguente set di dati e di voler utilizzare lo stato civile<\/em> e l’et\u00e0<\/em> per prevedere il reddito<\/em> :<\/span> <\/p>\n Per utilizzare lo stato civile<\/i> come variabile predittiva in un modello di regressione, dobbiamo convertirlo in una variabile fittizia.<\/span><\/p>\n Poich\u00e9 attualmente si tratta di una variabile categoriale che pu\u00f2 assumere tre valori diversi (“Single”, “Sposato” o “Divorziato”), dobbiamo creare k<\/em> -1 = 3-1 = 2 variabili dummy.<\/span><\/p>\n Per creare questa variabile fittizia, possiamo lasciare “Single” come valore base poich\u00e9 appare pi\u00f9 spesso.<\/span> Quindi, ecco come convertiremo lo stato civile<\/em> in variabili fittizie:<\/span> <\/p>\n Potremmo quindi utilizzare Age<\/em> , Married<\/em> e Divorced<\/em> come variabili predittive in un modello di regressione.<\/span><\/p>\n Supponiamo di adattare un modello di regressione lineare multipla<\/a> utilizzando il set di dati dell’esempio precedente con Et\u00e0<\/em> , Sposato<\/em> e Divorziato<\/em> come variabili predittive e Reddito<\/em> come variabile di risposta.<\/span><\/p>\n Ecco il risultato della regressione:<\/span> <\/p>\n La retta di regressione adattata \u00e8 definita come:<\/span><\/p>\n Reddito = 14.276,21 + 1.471,67*(Et\u00e0) + 2.479,75*(Coniugato) \u2013 8.397,40*(Divorziato)<\/span><\/p>\n Possiamo utilizzare questa equazione per trovare il reddito stimato di un individuo in base all’et\u00e0 e allo stato civile. Ad esempio, una persona di 35 anni sposata avrebbe un reddito stimato di $ 68.264<\/strong> :<\/span><\/p>\n Reddito = 14.276,21 + 1.471,67*(35) + 2.479,75*(1) \u2013 8.397,40*(0) = $ 68.264<\/span><\/p>\n Ecco come interpretare i coefficienti di regressione nella tabella:<\/span><\/p>\n Poich\u00e9 entrambe le variabili dummy non erano statisticamente significative, potremmo rimuovere lo stato civile<\/em> come predittore dal modello, poich\u00e9 non sembra aggiungere valore predittivo al reddito.<\/span><\/p>\n Variabili qualitative e quantitative<\/a> La regressione lineare \u00e8 un metodo che possiamo utilizzare per quantificare la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta . Generalmente utilizziamo la regressione lineare con variabili quantitative . A volte chiamate variabili \u201cnumeriche\u201d, si tratta di variabili che rappresentano una quantit\u00e0 misurabile. Esempi inclusi: Numero di piedi quadrati in […]<\/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\n
\n
\n
Esempio 1: creare una variabile fittizia con solo due valori<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequin1.png\")
<\/p>\n![\"Esempio](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequin2.png\")
<\/p>\n Esempio 2: creare una variabile fittizia con pi\u00f9 valori<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequin4.png\")
<\/p>\n![\"Variabile](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequin6.png\")
<\/p>\n Come interpretare l’output della regressione con variabili fittizie<\/strong><\/span><\/h3>\n
![\"Come](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequin7.png\")
<\/p>\n\n
Risorse addizionali<\/strong><\/span><\/h3>\n
La trappola della variabile fittizia<\/a>
Come leggere e interpretare una tabella di regressione<\/a>
Una spiegazione dei valori P e della significativit\u00e0 statistica<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"