Idealmente, si vorrebbe che i punti in un grafico residuo fossero sparsi in modo casuale attorno a un valore pari a zero, senza uno schema chiaro.<\/span><\/p>\n Se incontri un grafico residuo in cui i punti del grafico hanno uno schema curvo, probabilmente significa che il modello di regressione specificato per i dati non \u00e8 corretto.<\/span><\/p>\n Nella maggior parte dei casi, ci\u00f2 significa che si \u00e8 tentato di adattare un modello di regressione lineare a un set di dati che segue invece un trend quadratico.<\/span><\/p>\n L’esempio seguente mostra come interpretare (e correggere) nella pratica un diagramma residuo curvo.<\/span><\/p>\n Supponiamo di raccogliere i seguenti dati sul numero di ore lavorate settimanalmente e sul livello di felicit\u00e0 riportato (su una scala da 0 a 100) per 11 persone diverse in un ufficio:<\/span> <\/p>\n Se creassimo un semplice grafico a dispersione delle ore lavorate rispetto al livello di felicit\u00e0, ecco come apparirebbe:<\/span> <\/p>\n Supponiamo ora di voler adattare un modello di regressione utilizzando le ore lavorate per prevedere i livelli di felicit\u00e0.<\/span><\/p>\n Il codice seguente mostra come adattare un modello di regressione lineare semplice<\/strong> a questo set di dati e produrre un grafico dei residui in R:<\/span> <\/p>\n L’asse x mostra i valori adattati e l’asse y mostra i residui.<\/span><\/p>\n Dal grafico, possiamo vedere che esiste uno schema curvo nei residui, indicando che un modello di regressione lineare non fornisce un adattamento adeguato a questo set di dati.<\/span><\/p>\n Il codice seguente mostra come adattare un modello di regressione quadratica<\/strong> a questo set di dati e produrre un grafico dei residui in R:<\/span> <\/p>\n Ancora una volta, l’asse x mostra i valori adattati e l’asse y mostra i residui.<\/span><\/p>\n Dal grafico possiamo vedere che i residui sono sparsi in modo casuale attorno allo zero e non esiste una tendenza chiara nei residui.<\/span><\/p>\n Questo ci dice che un modello di regressione quadratica fa un lavoro molto migliore nell’adattare questo set di dati rispetto a un modello di regressione lineare.<\/span><\/p>\n Ci\u00f2 dovrebbe avere senso dato che abbiamo visto che la vera relazione tra le ore lavorate e i livelli di felicit\u00e0 sembrava essere quadratica piuttosto che lineare.<\/span><\/p>\n I seguenti tutorial spiegano come creare grafici dei residui utilizzando diversi software statistici:<\/span><\/p>\n Come creare manualmente un percorso residuo<\/a> I grafici dei residui vengono utilizzati per valutare se i residui di un modello di regressione sono distribuiti normalmente e se presentano o meno eteroschedasticit\u00e0 . Idealmente, si vorrebbe che i punti in un grafico residuo fossero sparsi in modo casuale attorno a un valore pari a zero, senza uno schema chiaro. Se incontri un […]<\/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 Esempio: interpretazione di un grafico dei residui curvo<\/strong><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quadti1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe1.jpg\")
<\/p>\n #create dataframe\n<\/span>df <- data. frame<\/span> (hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),\n happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))\n#fit linear regression model\n<\/span>linear_model <- lm(happiness ~ hours, data=df)\n\n#get list of residuals \n<\/span>res <- resid(linear_model)\n\n#produce residual vs. fitted plot\n<\/span>plot(fitted(linear_model), res, xlab=' Fitted Values<\/span> ', ylab=' Residuals<\/span> ')\n\n#add a horizontal line at 0 \n<\/span>abline(0,0)\n<\/strong><\/span><\/pre>\n![\"diagramma](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe2.jpg\")
<\/p>\n #create dataframe\n<\/span>df <- data. frame<\/span> (hours=c(6, 9, 12, 14, 30, 35, 40, 47, 51, 55, 60),\n happiness=c(14, 28, 50, 70, 89, 94, 90, 75, 59, 44, 27))\n#define quadratic term to use in model\ndf$hours2 <- df$hours^2\n\n#fit quadratic regression model\n<\/span>quadratic_model <- lm(happiness ~ hours + hours2, data=df)\n\n#get list of residuals \n<\/span>res <- resid(quadratic_model)\n\n#produce residual vs. fitted plot\n<\/span>plot(fitted(quadratic_model), res, xlab=' Fitted Values<\/span> ', ylab=' Residuals<\/span> ')\n\n#add a horizontal line at 0 \n<\/span>abline(0,0)<\/span><\/span><\/strong><\/span> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/courbe3.jpg\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h2>\n
Come creare una trama residua in R<\/a>
Come creare un grafico residuo in Excel<\/a>
Come creare un grafico residuo in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"