{"id":2257,"date":"2023-07-23T01:30:54","date_gmt":"2023-07-23T01:30:54","guid":{"rendered":"https:\/\/statorials.org\/it\/la-previsione-basata-su-un-livello-di-adattamento-inadeguato-puo-essere-fuorviante\/"},"modified":"2023-07-23T01:30:54","modified_gmt":"2023-07-23T01:30:54","slug":"la-previsione-basata-su-un-livello-di-adattamento-inadeguato-puo-essere-fuorviante","status":"publish","type":"post","link":"https:\/\/statorials.org\/it\/la-previsione-basata-su-un-livello-di-adattamento-inadeguato-puo-essere-fuorviante\/","title":{"rendered":"Come risolvere il problema: prevedere uno scarso aggiustamento del ranking pu\u00f2 essere fuorviante"},"content":{"rendered":"

<\/p>\n

\n

Un avviso comune che potresti incontrare in R \u00e8:<\/span><\/p>\n

 Warning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading\n<\/strong><\/span><\/pre>\n
 Questo avviso pu\u00f2 verificarsi per due motivi:<\/span><\/p>\n
 Motivo 1<\/strong> : due variabili predittive sono perfettamente correlate.<\/span><\/p>\n
 Motivo 2<\/strong> : nel set di dati sono presenti pi\u00f9 parametri del modello che osservazioni.<\/span><\/p>\n
 Gli esempi seguenti mostrano come ciascun problema potrebbe presentarsi nella pratica.<\/span><\/p>\n
 Motivo n. 1: due variabili predittive sono perfettamente correlate<\/strong><\/span><\/h3>\n
 Supponiamo di adattare il seguente modello di regressione lineare multipla in R e di provare a utilizzarlo per fare previsioni:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (x1=c(1, 2, 3, 4),\n                 x2=c(2, 4, 6, 8),\n                 y=c(6, 10, 19, 26))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y~x1+x2, data=df)\n\n#use model to make predictions\n<\/span>predict(model, df)\n\n   1 2 3 4 \n 4.9 11.8 18.7 25.6 \nWarning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading<\/span><\/span><\/strong><\/pre>\n
 Riceviamo un messaggio di avviso perch\u00e9 le variabili predittive x1 e x2 sono perfettamente correlate<\/strong> .<\/span><\/p>\n
 Nota che i valori x2 sono semplicemente uguali ai valori x1 moltiplicati per due. Questo \u00e8 un esempio di multicollinearit\u00e0 perfetta<\/a> .<\/span><\/p>\n
 Ci\u00f2 significa che x1 e x2 non forniscono informazioni univoche o indipendenti nel modello di regressione, il che causa problemi durante l’adattamento e l’interpretazione del modello.<\/span><\/p>\n
 Il modo pi\u00f9 semplice per risolvere questo problema \u00e8 rimuovere semplicemente una delle variabili predittive dal modello, poich\u00e9 \u00e8 ridondante avere entrambe le variabili predittive nel modello.<\/span><\/p>\n
 Motivo n. 2: ci sono pi\u00f9 parametri del modello che osservazioni<\/strong><\/span><\/h3>\n
 Supponiamo di adattare il seguente modello di regressione lineare multipla in R e di provare a utilizzarlo per fare previsioni:<\/span><\/p>\n
 #create data frame\n<\/span>df <- data. frame<\/span> (x1=c(1, 2, 3, 4),\n                 x2=c(3, 3, 8, 12),\n                 x3=c(4, 6, 3, 11),\n                 y=c(6, 10, 19, 26))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y~x1*x2*x3, data=df)\n\n#use model to make predictions\n<\/span>predict(model, df)\n\n 1 2 3 4 \n 6 10 19 26 \nWarning message:\nIn predict.lm(model, df):\n  prediction from a rank-deficient fit may be misleading\n<\/span><\/span><\/strong><\/pre>\n
 Riceviamo un messaggio di avviso perch\u00e9 abbiamo tentato di adattare un modello di regressione con sette coefficienti del modello totale:<\/span><\/p>\n