<\/p>\n
L’ intercetta<\/strong> (a volte chiamata “costante”) in un modello di regressione rappresenta il valore medio della variabile di risposta quando tutte le variabili predittive nel modello sono uguali a zero.<\/span><\/p>\n Questo tutorial spiega come interpretare il valore originale nei modelli di regressione lineare semplice e di regressione lineare multipla.<\/span><\/p>\n Un modello di regressione lineare semplice assume la forma seguente:<\/span><\/p>\n \u0177 = \u03b2 0<\/sub> + \u03b2 1<\/sub> (x)<\/span><\/p>\n Oro:<\/span><\/p>\n In alcuni casi ha senso interpretare il valore dell’intercetta in un semplice modello di regressione lineare, ma non sempre. I seguenti esempi lo illustrano.<\/span><\/p>\n Esempio 1: L’intercettazione ha senso da interpretare<\/strong><\/span><\/p>\n Supponiamo di voler adattare un semplice modello di regressione lineare utilizzando le ore studiate<\/em> come variabile predittiva e i punteggi degli esami<\/em> come variabile di risposta.<\/span><\/p>\n Raccogliamo questi dati per 50 studenti in un determinato corso universitario e adattiamo il seguente modello di regressione:<\/span><\/p>\n Punteggio esame = 65,4 + 2,67 (ore)<\/span><\/p>\n Il valore del termine originale in questo modello \u00e8 65,4<\/strong> . Ci\u00f2 significa che il punteggio medio dell’esame \u00e8 65,4<\/strong> quando il numero di ore studiate \u00e8 zero.<\/span><\/p>\n Questo ha senso da interpretare poich\u00e9 \u00e8 plausibile che uno studente studi per zero ore per un esame.<\/span><\/p>\n Esempio 2: l’intercettazione non ha senso da interpretare<\/strong><\/span><\/p>\n Supponiamo di voler adattare un modello di regressione lineare semplice utilizzando il peso<\/em> (in libbre) come variabile predittiva e l’altezza<\/em> (in pollici) come variabile di risposta.<\/span><\/p>\n Raccogliamo questi dati per 50 individui e applichiamo il seguente modello di regressione:<\/span><\/p>\n Altezza = 22,3 + 0,28 (libbre)<\/span><\/p>\n Il valore del termine originale in questo modello \u00e8 22,3<\/strong> . Ci\u00f2 significherebbe che l’altezza media di una persona \u00e8 di 22,3<\/strong> pollici quando il suo peso \u00e8 pari a zero.<\/span><\/p>\n Questo non ha senso da interpretare poich\u00e9 non \u00e8 possibile per una persona pesare zero chili.<\/span><\/p>\n Tuttavia, dobbiamo ancora mantenere il termine originale nel modello in modo da poterlo utilizzare per fare previsioni. L’intercetta semplicemente non ha un’interpretazione significativa per questo modello.<\/span><\/p>\n Un modello di regressione lineare multipla assume la forma seguente:<\/span><\/p>\n \u0177 = \u03b2 0<\/sub> + \u03b2 1<\/sub> (x 1<\/sub> ) + \u03b2 2<\/sub> (x 2<\/sub> ) + \u03b2 3<\/sub> (x 3<\/sub> ) + \u2026 + \u03b2 K<\/sub> (x K<\/sub> )<\/span><\/p>\n Oro:<\/span><\/p>\n Analogamente alla regressione lineare semplice, a volte ha senso interpretare il valore dell’intercetta in un modello di regressione lineare multipla, ma non sempre. I seguenti esempi lo illustrano.<\/span><\/p>\n Esempio 1: L’intercettazione ha senso da interpretare<\/strong><\/span><\/p>\n Supponiamo di voler adattare un modello di regressione lineare multipla utilizzando le ore di studio<\/em> e gli esami preparatori presi<\/em> come variabili predittive e i punteggi degli esami<\/em> come variabile di risposta.<\/span><\/p>\n Raccogliamo questi dati per 50 studenti in un determinato corso universitario e adattiamo il seguente modello di regressione:<\/span><\/p>\n Punteggio esame = 58,4 + 2,23 (ore) + 1,34 (numero esami preparatori)<\/span><\/p>\n Il valore del termine originale in questo modello \u00e8 58,4<\/strong> . Ci\u00f2 significa che il punteggio medio dell’esame \u00e8 58,4<\/strong> quando il numero di ore studiate e il numero di esami preparatori sostenuti sono entrambi pari a zero.<\/span><\/p>\n Questo ha senso da interpretare poich\u00e9 \u00e8 plausibile che uno studente studi per zero ore e non sostenga alcun esame preparatorio prima dell’esame stesso.<\/span><\/p>\n Esempio 2: l’intercettazione non ha senso da interpretare<\/strong><\/span><\/p>\n Supponiamo di voler adattare un modello di regressione lineare multipla utilizzando la metratura<\/em> e il numero di camere da letto<\/em> come variabili predittive e il prezzo di vendita<\/em> come variabile di risposta.<\/span><\/p>\n Raccogliamo questi dati per 100 case in una determinata citt\u00e0 e applichiamo il seguente modello di regressione:<\/span><\/p>\n Prezzo = 87.244 + 3,44 (piedi quadrati) + 843,45 (numero di camere da letto)<\/span><\/p>\n Il valore del termine originale in questo modello \u00e8 87.244<\/strong> . Ci\u00f2 significherebbe che il prezzo medio di vendita di una casa \u00e8 di $ 87.244<\/strong> quando la metratura e il numero di camere da letto di una casa sono entrambi uguali a zero.<\/span><\/p>\n Ci\u00f2 non ha senso da interpretare poich\u00e9 non \u00e8 possibile che una casa abbia zero metratura e zero camere da letto.<\/span><\/p>\n Tuttavia, dobbiamo ancora mantenere il termine originale nel modello per poterlo utilizzare per fare previsioni. L’intercetta semplicemente non ha un’interpretazione significativa per questo modello.<\/span><\/p>\n Introduzione alla regressione lineare semplice<\/a> L’ intercetta (a volte chiamata “costante”) in un modello di regressione rappresenta il valore medio della variabile di risposta quando tutte le variabili predittive nel modello sono uguali a zero. Questo tutorial spiega come interpretare il valore originale nei modelli di regressione lineare semplice e di regressione lineare multipla. Interpretazione dell’intersezione nella regressione lineare semplice […]<\/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 Interpretazione dell’intersezione nella regressione lineare semplice<\/strong><\/span><\/h3>\n
\n
Interpretazione dell’intercetta nella regressione lineare multipla<\/strong><\/span><\/h3>\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Introduzione alla regressione lineare multipla<\/a>
Come interpretare i coefficienti di regressione parziale<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"