Un coefficiente di correlazione assume sempre un valore compreso tra -1 e 1 dove:<\/span><\/p>\n Una domanda che spesso gli studenti pongono \u00e8: quando dovrei usare la correlazione?<\/strong><\/span><\/p>\n La risposta breve: utilizzare la correlazione quando si desidera quantificare la relazione lineare tra due variabili e nessuna delle due variabili rappresenta una risposta o una variabile di “risultato”<\/strong> .<\/span><\/p>\n Gli esempi seguenti illustrano quando \u00e8 opportuno e quando non \u00e8 opportuno utilizzare la correlazione nella pratica.<\/span><\/p>\n Supponiamo che un professore voglia comprendere la relazione lineare tra i punteggi dei test di matematica e i punteggi dei test di scienze degli studenti della sua classe.<\/span><\/p>\n Ad esempio, gli studenti che ottengono buoni risultati nell\u2019esame di matematica ottengono buoni risultati anche nell\u2019esame di scienze? Oppure gli studenti che ottengono punteggi alti in matematica tendono ad avere punteggi bassi in scienze?<\/span><\/p>\n In questo scenario, potrebbe calcolare la correlazione<\/strong> tra i punteggi degli esami di matematica e quelli degli esami di scienze perch\u00e9 vuole solo comprendere la relazione lineare tra le due variabili e nessuna delle due variabili pu\u00f2 essere considerata una variabile di risposta.<\/span><\/p>\n Supponiamo che calcoli il coefficiente di correlazione di Pearson<\/a> e trovi che \u00e8 r = 0,78. Si tratta di una forte correlazione positiva, nel senso che gli studenti che ottengono buoni risultati in matematica tendono ad avere buoni risultati anche in scienze.<\/span><\/p>\n Supponiamo che il reparto marketing di un’azienda voglia quantificare l’impatto della spesa pubblicitaria sulle entrate totali.<\/span><\/p>\n Ad esempio, per ogni dollaro aggiuntivo speso in pubblicit\u00e0, quante entrate aggiuntive pu\u00f2 aspettarsi di guadagnare l’azienda?<\/span><\/p>\n In questo scenario, il dipartimento deve utilizzare un modello di regressione lineare<\/strong> per quantificare la relazione tra la spesa pubblicitaria e le entrate totali, poich\u00e9 la variabile “entrate” \u00e8 la variabile di risposta.<\/span><\/p>\n Supponiamo che il dipartimento applichi un semplice modello di regressione lineare<\/a> e scopra che la seguente equazione descrive meglio la relazione tra la spesa pubblicitaria e le entrate totali:<\/span><\/p>\n Entrate totali = 145,4 + 0,34*(spese pubblicitarie)<\/span><\/p>\n Interpreteremmo ci\u00f2 nel senso che ogni dollaro aggiuntivo speso in pubblicit\u00e0 si traduce in un aumento medio di 0,34 dollari nelle entrate totali.<\/span><\/p>\n \u00c8 importante notare che la correlazione pu\u00f2 essere utilizzata solo per quantificare la relazione lineare<\/strong> tra due variabili.<\/span><\/p>\n Tuttavia, in determinate circostanze, un coefficiente di correlazione non sar\u00e0 in grado di catturare efficacemente una relazione tra due variabili che condividono una relazione non lineare.<\/span><\/p>\n Ad esempio, supponiamo di creare il seguente grafico a dispersione per visualizzare la relazione tra due variabili:<\/span> <\/p>\n Se calcoliamo il coefficiente di correlazione tra queste due variabili, risulta essere r = 0. Ci\u00f2 significa che non esiste una relazione lineare tra le due variabili.<\/span><\/p>\n Tuttavia, dal grafico possiamo vedere che le due variabili hanno effettivamente<\/em> una relazione: si tratta semplicemente di una relazione quadratica invece che di una relazione lineare.<\/span><\/p>\n Quindi, quando calcoli la correlazione tra due variabili, tieni presente che pu\u00f2 essere utile anche creare un grafico a dispersione per visualizzare la relazione tra le variabili.<\/span><\/p>\n Anche se due variabili non hanno una relazione lineare, \u00e8 possibile che abbiano una relazione non lineare che verrebbe rivelata in un grafico a dispersione.<\/span><\/p>\n I seguenti tutorial spiegano pi\u00f9 in dettaglio come viene utilizzata la correlazione in diverse circostanze:<\/span><\/p>\n 6 esempi di correlazione nella vita reale<\/a> La correlazione viene utilizzata per misurare l’associazione lineare tra due variabili. Un coefficiente di correlazione assume sempre un valore compreso tra -1 e 1 dove: -1 indica una correlazione lineare perfettamente negativa tra due variabili 0 indica alcuna correlazione lineare tra due variabili 1 indica una correlazione lineare perfettamente positiva tra due variabili Una domanda […]<\/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
Esempio 1: quando utilizzare la correlazione<\/strong><\/span><\/h3>\n
Esempio 2: quando non utilizzare la correlazione<\/strong><\/span><\/h3>\n
Precauzioni per l’uso della correlazione<\/span><\/strong><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/utilisercor1.png\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Cos\u2019\u00e8 considerata una correlazione \u201cforte\u201d?<\/a>
Correlazione vs. associazione: qual \u00e8 la differenza?<\/a>
Correlazione vs regressione: qual \u00e8 la differenza?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"