Questo tipo di dati appare continuamente in situazioni del mondo reale e in genere utilizziamo i seguenti metodi per analizzare questo tipo di dati:<\/span><\/p>\n Gli esempi seguenti mostrano diversi scenari in cui i dati bivariati compaiono nella vita reale.<\/span><\/p>\n Le aziende spesso raccolgono dati bivariati sul denaro totale speso in pubblicit\u00e0 e sulle entrate totali.<\/span><\/p>\n Ad esempio, un’azienda potrebbe raccogliere i seguenti dati per 12 trimestri di vendita consecutivi:<\/span> <\/p>\n Questo \u00e8 un esempio di dati bivariati perch\u00e9 contiene informazioni esattamente su due variabili: la spesa pubblicitaria e le entrate totali.<\/span><\/p>\n L’azienda pu\u00f2 decidere di adattare un semplice modello di regressione lineare<\/a> a questo set di dati e trovare il seguente modello adattato:<\/span><\/p>\n Entrate totali = 14.942,75 + 2,70* (spese pubblicitarie)<\/span><\/p>\n Ci\u00f2 indica all’azienda che per ogni dollaro aggiuntivo speso in pubblicit\u00e0, le entrate totali aumentano in media di 2,70 dollari.<\/span><\/p>\n I ricercatori medici spesso raccolgono dati bivariati per comprendere meglio la relazione tra le variabili legate alla salute.<\/span><\/p>\n Ad esempio, un ricercatore potrebbe raccogliere i seguenti dati sull’et\u00e0 e sulla frequenza cardiaca rimanente di 15 persone:<\/span> <\/p>\n Il ricercatore pu\u00f2 quindi decidere di calcolare la correlazione tra le due variabili e trovarla pari a 0,812<\/strong> .<\/span><\/p>\n Ci\u00f2 indica che esiste una forte correlazione positiva tra le due variabili. Cio\u00e8, con l\u2019aumentare dell\u2019et\u00e0, anche la frequenza cardiaca rimanente tende ad aumentare in modo prevedibile.<\/span><\/p>\n Correlati:<\/strong><\/span> cos\u2019\u00e8 considerata una correlazione \u201cforte\u201d?<\/a><\/p>\n I ricercatori spesso raccolgono dati bivariati per capire quali variabili influenzano le prestazioni degli studenti universitari.<\/span><\/p>\n Ad esempio, un ricercatore potrebbe raccogliere dati sul numero di ore studiate a settimana e sul corrispondente GPA per gli studenti di una determinata classe:<\/span> <\/p>\n Pu\u00f2 quindi creare un semplice grafico a dispersione per visualizzare la relazione tra queste due variabili:<\/span> <\/p>\n Esiste chiaramente un’associazione positiva tra le due variabili: all’aumentare del numero di ore studiate settimanalmente, anche la media dello studente tende ad aumentare.<\/span><\/p>\n Gli economisti spesso raccolgono dati bivariati per comprendere la relazione tra due variabili socioeconomiche.<\/span><\/p>\n Ad esempio, un economista potrebbe raccogliere dati sugli anni totali di istruzione e sul reddito annuo totale degli individui in una determinata citt\u00e0:<\/span> <\/p>\n Pu\u00f2 quindi decidere di adattare il seguente modello di regressione lineare semplice:<\/span><\/p>\n Reddito annuo = -45.353 + 7.120*(Anni di scuola)<\/span><\/p>\n Ci\u00f2 dice all\u2019economista che per ogni anno in pi\u00f9 di istruzione, il reddito annuo aumenta in media di 7.120 dollari.<\/span><\/p>\n I biologi spesso raccolgono dati bivariati per capire come due variabili sono correlate tra piante o animali.<\/span><\/p>\n Ad esempio, un biologo potrebbe raccogliere dati sulle precipitazioni totali e sul numero totale di piante in diverse regioni:<\/span> <\/p>\n Il biologo pu\u00f2 quindi decidere di calcolare la correlazione tra le due variabili e trovarla pari a 0,926<\/strong> .<\/span><\/p>\n Ci\u00f2 indica che esiste una forte correlazione positiva tra le due variabili.<\/span><\/p>\n Cio\u00e8, una maggiore precipitazione \u00e8 strettamente associata ad un aumento del numero di piante in una regione.<\/span><\/p>\n Le esercitazioni seguenti forniscono informazioni aggiuntive sui dati bivariati e su come analizzarli.<\/span><\/p>\n Introduzione all’analisi bivariata<\/a> I dati bivariati si riferiscono a un set di dati contenente esattamente due variabili. Questo tipo di dati appare continuamente in situazioni del mondo reale e in genere utilizziamo i seguenti metodi per analizzare questo tipo di dati: Nuvole di punti Coefficienti di correlazione Regressione lineare semplice Gli esempi seguenti mostrano diversi scenari in cui […]<\/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: Affari<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie11.png\")
<\/p>\n Esempio 2: medico<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie12.png\")
<\/p>\n Esempio 3: accademici<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie14.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie13-1.png\")
<\/p>\n Esempio 4: Economia<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie15.png\")
<\/p>\n Esempio 5: Biologia<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie16.png\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Introduzione all’analisi univariata<\/a>
Introduzione al coefficiente di correlazione di Pearson<\/a>
Introduzione alla regressione lineare semplice<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"