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<\/a> . 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 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 Ad esempio, 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 Quando si creano variabili dummy, un problema che pu\u00f2 sorgere \u00e8 noto come trappola delle variabili dummy<\/strong> . Ci\u00f2 accade quando creiamo k<\/em> variabili fittizie invece di k<\/em> -1 variabili fittizie.<\/span><\/p>\n Quando ci\u00f2 accade, almeno due delle variabili dummy soffriranno di perfetta multicollinearit\u00e0<\/a> . In altre parole, saranno perfettamente correlati. Ci\u00f2 si traduce in calcoli errati dei coefficienti di regressione e dei corrispondenti valori p.<\/span><\/p>\n Trappola delle variabili fittizie:<\/strong> quando il numero di variabili fittizie create \u00e8 uguale al numero di valori che pu\u00f2 assumere il valore categorico. Ci\u00f2 porta alla multicollinearit\u00e0, che si traduce in calcoli errati dei coefficienti di regressione e dei valori p.<\/span><\/p>\n<\/blockquote>\n Ad esempio, supponiamo di convertire lo stato civile<\/em> nelle seguenti variabili dummy:<\/span><\/span> <\/p>\n In questo caso, Single<\/em> e Sposato<\/em> sono perfettamente correlati e hanno un coefficiente di correlazione pari a -1.<\/span><\/p>\n Pertanto, quando eseguiamo una regressione lineare multipla, i calcoli del coefficiente di regressione saranno errati.<\/span><\/p>\n Devi solo ricordare una regola per evitare la trappola delle variabili fittizie:<\/span><\/p>\n Se una variabile categoriale pu\u00f2 assumere k<\/em> valori diversi, \u00e8 necessario creare solo k-1<\/em> variabili fittizie da utilizzare nel modello di regressione.<\/strong><\/span><\/p>\n Ad esempio, supponiamo di voler convertire una variabile categoriale “anno di scuola” in variabili fittizie. Supponiamo che questa variabile assuma i seguenti valori:<\/span><\/p>\n Poich\u00e9 questa variabile pu\u00f2 assumere 4 valori diversi, creeremo solo 3 variabili fittizie. Ad esempio, le nostre variabili fittizie potrebbero essere:<\/span><\/p>\n Poich\u00e9 il numero di variabili dummy \u00e8 uno in meno rispetto al numero di valori che \u201canno scolastico\u201d pu\u00f2 assumere, possiamo evitare la trappola delle variabili dummy e il problema della multicollinearit\u00e0.<\/span><\/p>\n Come utilizzare le variabili fittizie nell’analisi di regressione<\/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
![\"\"](\"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\n
![\"Esempio](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequinvartrap1.png\")
<\/p>\n Come evitare la trappola delle variabili fittizie<\/strong><\/span><\/h3>\n
\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Introduzione alla regressione lineare multipla<\/a>
Una guida alla multicollinearit\u00e0 nella regressione<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"