Il modo pi\u00f9 comune per misurare l’influenza delle osservazioni \u00e8 utilizzare la distanza di Cook<\/strong> , che quantifica quanto cambiano tutti i valori adattati in un modello di regressione quando viene rimossa l’i- esima<\/sup> osservazione.<\/span><\/p>\n Generalmente, qualsiasi osservazione con una distanza Cook maggiore di 1 \u00e8 considerata un’osservazione ad alta leva.<\/span><\/p>\n L’esempio seguente mostra come calcolare e interpretare la distanza di Cook per un dato set di dati per rilevare potenziali osservazioni influenti.<\/span><\/p>\n Supponiamo di avere il seguente set di dati con 14 valori:<\/span> <\/p>\n Supponiamo ora di adattare un semplice modello di regressione lineare<\/a> . Il risultato della regressione \u00e8 presentato di seguito:<\/span> <\/p>\n Utilizzando un software statistico, possiamo calcolare i seguenti valori della distanza di Cook per ciascuna osservazione:<\/span> <\/p>\n Si noti che l’ultima osservazione ha un valore significativamente maggiore di 1 per la distanza di Cook, il che ci dice che si tratta di un’osservazione influente.<\/span><\/p>\n Supponiamo di rimuovere questo valore dal set di dati e di adattare un nuovo modello di regressione lineare semplice. L’output di questo modello \u00e8 mostrato di seguito:<\/span> <\/p>\n Si noti che i coefficienti di regressione per l’intercetta e x sono entrambi cambiati radicalmente. Questo ci dice che la rimozione dell\u2019osservazione influente dal set di dati ha cambiato completamente il modello di regressione adattato.<\/span><\/p>\n I seguenti grafici mostrano la differenza tra queste due equazioni di regressione adattate:<\/span> <\/p>\n Nota quanto la singola osservazione influente cambia la retta di regressione. Eliminando questa osservazione, siamo riusciti a trovare una linea di regressione che si adattava molto pi\u00f9 fedelmente ai dati.<\/span><\/p>\n \u00c8 importante notare che la distanza di Cook dovrebbe essere utilizzata per identificare<\/em> osservazioni potenzialmente influenti. Tuttavia, solo perch\u00e9 un\u2019osservazione \u00e8 influente non significa necessariamente che debba essere rimossa dal set di dati.<\/span><\/p>\n Per prima cosa bisogna verificare che l’osservazione non sia il risultato di un errore di inserimento dati o di altro evento strano. Se risulta essere un valore legittimo, allora puoi decidere di trattarlo in uno dei seguenti modi:<\/span><\/p>\n A seconda dello scenario specifico, una di queste opzioni potrebbe avere pi\u00f9 senso delle altre.<\/span><\/p>\n I seguenti tutorial spiegano come calcolare la distanza di Cook per un dato set di dati in Python e R:<\/span><\/p>\n Come calcolare la distanza di Cook in Python<\/a> In statistica, un’osservazione influente \u00e8 un’osservazione in un set di dati che, una volta rimossa, modifica in modo significativo le stime dei coefficienti di un modello di regressione. Il modo pi\u00f9 comune per misurare l’influenza delle osservazioni \u00e8 utilizzare la distanza di Cook , che quantifica quanto cambiano tutti i valori adattati in un modello […]<\/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: rilevamento di osservazioni influenti<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/influence1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/influence2.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/influence3.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/influence4.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/influence5.png\")
<\/p>\n Commenti<\/strong><\/span><\/h3>\n
\n
Come calcolare in pratica la distanza del cuoco<\/strong><\/span><\/h3>\n
Come calcolare la distanza di Cook in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"