(1) Inferenza:<\/strong> vogliamo comprendere la natura della relazione tra le variabili predittive e la variabile di risposta<\/a> in un set di dati esistente.<\/span><\/p>\n (2) Previsione:<\/strong> vogliamo utilizzare un set di dati esistente per costruire un modello che preveda il valore della variabile di risposta di una nuova osservazione.<\/span><\/p>\n Ad esempio, supponiamo di avere il seguente set di dati contenente informazioni sulle case:<\/span> <\/p>\n Un esempio di inferenza:<\/strong><\/span><\/p>\n Supponiamo di costruire un modello di regressione lineare multipla<\/a> utilizzando la metratura, il numero di camere da letto e il numero di bagni come variabili predittive e il prezzo come variabile di risposta.<\/span><\/p>\n Potremmo quindi utilizzare i coefficienti di regressione per comprendere la variazione media del prezzo associata a una variazione di un’unit\u00e0 in ciascuna delle variabili predittive.<\/span><\/p>\n Ad esempio, potremmo capire quanto cambia il prezzo (in media) per ogni camera da letto aggiuntiva, ogni bagno aggiuntivo e ogni metro quadrato aggiuntivo.<\/span><\/p>\n Un esempio di previsione:<\/strong><\/span><\/p>\n Potremmo costruire lo stesso modello di regressione lineare multipla e utilizzarlo per prevedere il valore di una nuova casa in base alla metratura, al numero di camere da letto e al numero di bagni.<\/span><\/p>\n Ad esempio, potremmo utilizzare il modello per prevedere il prezzo di una nuova casa con 3 camere da letto, 3 bagni e 2.000 piedi quadrati.<\/span><\/p>\n Potremmo quindi confrontare la nostra previsione con il prezzo di listino effettivo e valutare se la casa appare sottovalutata o sopravvalutata.<\/span><\/p>\n I seguenti esempi illustrano la differenza tra inferenza e previsione in diversi scenari:<\/span><\/p>\n Supponiamo di avere il seguente set di dati contenente informazioni sulle squadre di basket professionistiche:<\/span> <\/p>\n Un esempio di inferenza:<\/strong><\/span><\/p>\n Supponiamo di costruire un modello di regressione lineare multipla utilizzando punti, rimbalzi e assist come variabili predittive e vittorie come variabile di risposta.<\/span><\/p>\n Potremmo quindi utilizzare il modello per capire quanto cambia il numero di vittorie (in media) con ogni punto, rimbalzo e assist aggiuntivi.<\/span><\/p>\n Un esempio di previsione:<\/strong><\/span><\/p>\n Potremmo costruire lo stesso modello di regressione lineare multipla e utilizzarlo per prevedere quante vittorie otterr\u00e0 una squadra in base al numero di punti, rimbalzi e assist.<\/span><\/p>\n Ad esempio, potremmo utilizzare il modello per prevedere quante vittorie avr\u00e0 una squadra con 90 punti, 40 rimbalzi e 30 assist.<\/span><\/p>\n Supponiamo di avere il seguente set di dati contenente informazioni sui ricavi annuali (in milioni) di varie societ\u00e0:<\/span> <\/p>\n Un esempio di inferenza:<\/strong><\/span><\/p>\n Supponiamo di costruire un modello di regressione lineare multipla utilizzando la spesa pubblicitaria, il numero di dipendenti e le acquisizioni totali come variabili predittive e le entrate annuali come variabile di risposta.<\/span><\/p>\n Potremmo quindi utilizzare il modello per capire quanto cambiano le entrate annuali totali (in media) con ogni dollaro aggiuntivo speso in pubblicit\u00e0, ogni dipendente aggiuntivo e ogni acquisizione aggiuntiva.<\/span><\/p>\n Un esempio di previsione:<\/strong><\/span><\/p>\n Potremmo costruire lo stesso modello di regressione lineare multipla e utilizzarlo per prevedere le entrate annuali di un’azienda in base alla spesa totale di marketing, al numero di dipendenti e alle acquisizioni totali.<\/span><\/p>\n Ad esempio, potremmo utilizzare il modello per prevedere il fatturato annuo di un’azienda che spende 25 milioni di dollari in pubblicit\u00e0, ha 40 dipendenti e ha effettuato 2 acquisizioni.<\/span><\/p>\n Le seguenti esercitazioni forniscono informazioni aggiuntive su termini importanti da comprendere nelle statistiche:<\/span><\/p>\n Statistica descrittiva o inferenziale: qual \u00e8 la differenza?<\/a> Spesso nelle statistiche vogliamo utilizzare i dati per uno dei due motivi: (1) Inferenza: vogliamo comprendere la natura della relazione tra le variabili predittive e la variabile di risposta in un set di dati esistente. (2) Previsione: vogliamo utilizzare un set di dati esistente per costruire un modello che preveda il valore della variabile di […]<\/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![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/inf1-1.png\")
<\/p>\n Esempio 1: Inferenza e previsione nello sport<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/inf2.png\")
<\/p>\n Esempio 2: Inferenza e previsione nel mondo degli affari<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/inf3.png\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Livelli di misura: nominale, ordinale, intervallo e rapporto
Variabili qualitative e quantitative: qual \u00e8 la differenza?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"