<\/p>\n
L\u2019analisi di regressione<\/strong> \u00e8 una delle tecniche pi\u00f9 comunemente utilizzate in statistica.<\/span><\/p>\n L’obiettivo fondamentale dell’analisi di regressione \u00e8 quello di adattare un modello che descriva al meglio la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta<\/a> .<\/span><\/p>\n In questo articolo condividiamo i 7 modelli di regressione pi\u00f9 comunemente utilizzati nella vita reale insieme a quando utilizzare ciascun tipo di regressione.<\/span><\/p>\n La regressione lineare viene utilizzata per adattare un modello di regressione che descrive la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta numerica.<\/span><\/p>\n Utilizzare quando:<\/b><\/span><\/span><\/p>\n Esempio:<\/strong> un’azienda di vendita al dettaglio pu\u00f2 adattare un modello di regressione lineare utilizzando la spesa pubblicitaria per prevedere le vendite totali.<\/span><\/p>\n Poich\u00e9 la relazione tra queste due variabili \u00e8 probabilmente lineare (pi\u00f9 soldi spesi in pubblicit\u00e0 generalmente si traducono in pi\u00f9 vendite) e la variabile di risposta (vendite totali) \u00e8 una variabile numerica continua, ha senso adattare un modello di regressione lineare.<\/span><\/p>\n Risorsa:<\/strong><\/span> un’introduzione alla regressione lineare multipla<\/a><\/p>\n La regressione logistica viene utilizzata per adattare un modello di regressione che descrive la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta binaria.<\/span><\/p>\n Utilizzare quando:<\/b><\/span><\/p>\n Esempio:<\/strong> i ricercatori medici possono adattare un modello di regressione logistica utilizzando l’esercizio fisico e l’abitudine al fumo per prevedere la probabilit\u00e0 che un individuo abbia un infarto.<\/span><\/p>\n Poich\u00e9 la variabile di risposta (attacco cardiaco) \u00e8 binaria \u2013 un individuo sperimenta un attacco cardiaco oppure no \u2013 \u00e8 opportuno adattare un modello di regressione logistica.<\/span><\/p>\n Risorsa:<\/strong><\/span> un’introduzione alla regressione logistica<\/a><\/p>\n La regressione polinomiale viene utilizzata per adattare un modello di regressione che descrive la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta numerica.<\/span><\/p>\n Utilizzare quando:<\/b><\/span><\/p>\n Esempio:<\/strong> gli psicologi possono adattare una regressione polinomiale utilizzando le “ore lavorate” per prevedere la “felicit\u00e0 complessiva” dei dipendenti in un determinato settore.<\/span><\/p>\n La relazione tra queste due variabili \u00e8 probabilmente non lineare. Cio\u00e8, all\u2019aumentare del numero di ore, un individuo pu\u00f2 segnalare una maggiore felicit\u00e0, ma oltre un certo numero di ore lavorate, \u00e8 probabile che la felicit\u00e0 complessiva diminuisca. Poich\u00e9 questa relazione tra la variabile predittore e la variabile risposta non \u00e8 lineare, ha senso adattare un modello di regressione polinomiale.<\/span><\/p>\n Risorsa:<\/strong><\/span> un’introduzione alla regressione polinomiale<\/a><\/p>\n La regressione Ridge viene utilizzata per adattare un modello di regressione che descrive la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta numerica.<\/span><\/p>\n Utilizzare quando:<\/b><\/span><\/p>\n Esempio:<\/strong> uno scienziato dei dati sul basket potrebbe adattare un modello di regressione ridge utilizzando variabili predittive come punti, assist e rimbalzi per prevedere gli stipendi dei giocatori.<\/span><\/p>\n \u00c8 probabile che le variabili predittive siano altamente correlate poich\u00e9 i giocatori migliori tendono ad avere pi\u00f9 punti, assist e rimbalzi. Quindi, \u00e8 probabile che la multicollinearit\u00e0 sia un problema, quindi possiamo minimizzare questo problema utilizzando la regressione della cresta.<\/span><\/p>\n Risorsa:<\/strong><\/span> un’introduzione alla regressione della cresta<\/a><\/p>\n La regressione lazo \u00e8 molto simile alla regressione Ridge e viene utilizzata per adattare un modello di regressione che descrive la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta numerica.<\/span><\/p>\n Utilizzare quando:<\/b><\/span><\/p>\n Esempio:<\/strong> un economista potrebbe adattare un modello di regressione lazo utilizzando variabili predittive come gli anni totali di scuola, le ore lavorate e il costo della vita per prevedere il reddito familiare.<\/span><\/p>\n Le variabili predittive sono probabilmente altamente correlate poich\u00e9 gli individui pi\u00f9 istruiti tendono anche a vivere in citt\u00e0 con costi della vita pi\u00f9 elevati e a lavorare pi\u00f9 ore. Quindi, \u00e8 probabile che la multicollinearit\u00e0 sia un problema, quindi possiamo minimizzare questo problema utilizzando la regressione lazo.<\/span><\/p>\n Si noti che la regressione Lazo e la regressione Ridge sono abbastanza simili. Quando la multicollinearit\u00e0 \u00e8 un problema in un set di dati, si consiglia di adattare sia un modello di regressione Lasso che Ridge per vedere quale modello funziona meglio.<\/span><\/p>\n Risorsa:<\/strong><\/span> un’introduzione alla regressione lazo<\/a><\/p>\n La regressione di Poisson viene utilizzata per adattare un modello di regressione che descrive la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta.<\/span><\/p>\n Utilizzare quando:<\/b><\/span><\/p>\n Esempio:<\/strong> un’universit\u00e0 pu\u00f2 utilizzare la regressione di Poisson per esaminare il numero di studenti che si sono diplomati in uno specifico programma universitario in base al loro GPA al momento dell’ingresso nel programma e al loro sesso.<\/span><\/p>\n In questo caso, poich\u00e9 la variabile di risposta \u00e8 costituita dai dati di conteggio (possiamo \u201ccontare\u201d il numero di studenti laureandi \u2013 200, 250, 300, 413, ecc.), \u00e8 opportuno utilizzare la regressione di Poisson.<\/span><\/p>\n Risorsa:<\/strong><\/span> un’introduzione alla regressione di Poisson<\/a><\/p>\n La regressione quantilica viene utilizzata per adattare un modello di regressione che descrive la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta.<\/span><\/p>\n Utilizzare quando:<\/b><\/span><\/p>\n Esempio:<\/strong> un professore pu\u00f2 utilizzare la regressione quantile per prevedere il 90\u00b0 percentile previsto dei punteggi degli esami in base al numero di ore studiate:<\/span><\/p>\n In questo caso, poich\u00e9 il docente vuole prevedere uno specifico percentile della variabile di risposta (punteggio dell’esame), \u00e8 opportuno utilizzare la regressione quantilica.<\/span><\/p>\n Risorsa:<\/strong><\/span> un’introduzione alla regressione quantilica<\/a><\/p>\n 4 esempi di utilizzo della regressione lineare nella vita reale<\/a> L\u2019analisi di regressione \u00e8 una delle tecniche pi\u00f9 comunemente utilizzate in statistica. L’obiettivo fondamentale dell’analisi di regressione \u00e8 quello di adattare un modello che descriva al meglio la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta . In questo articolo condividiamo i 7 modelli di regressione pi\u00f9 comunemente utilizzati nella vita […]<\/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 1. Regressione lineare<\/strong><\/span><\/h3>\n
\n
2. Regressione logistica<\/strong><\/span><\/h3>\n
\n
3. Regressione polinomiale<\/strong><\/span><\/h3>\n
\n
4. Regressione della cresta<\/strong><\/span><\/h3>\n
\n
5. Regressione al lazo<\/strong><\/span><\/h3>\n
\n
6. Regressione di Poisson<\/strong><\/span><\/h3>\n
\n
7. Regressione quantilica<\/strong><\/span><\/h3>\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
4 esempi di utilizzo della regressione logistica nella vita reale<\/a>
ANOVA vs regressione: qual \u00e8 la differenza?<\/a>
La guida completa: come riportare i risultati della regressione<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"