Esistono due metodi da non utilizzare<\/strong> per determinare il significato di una variabile:<\/span><\/p>\n 1. Il valore dei coefficienti di regressione<\/strong><\/span><\/p>\n Un coefficiente di regressione per una determinata variabile predittiva indica la variazione media nella variabile di risposta associata a un aumento di un’unit\u00e0 in quella variabile predittiva.<\/span><\/p>\n Tuttavia, ciascuna variabile predittiva in un modello viene solitamente misurata su una scala diversa. Non ha quindi senso confrontare i valori assoluti dei coefficienti di regressione per determinare quali variabili siano pi\u00f9 importanti.<\/span><\/p>\n 2. I valori p dei coefficienti di regressione<\/strong><\/span><\/p>\n I valori p dei coefficienti di regressione possono dirti se una determinata variabile predittiva ha un’associazione statisticamente significativa con la variabile di risposta, ma non possono dirti se una determinata variabile predittiva \u00e8 praticamente significativa nel mondo reale.<\/span><\/p>\n I valori P possono anche essere bassi a causa di un campione di grandi dimensioni o di una bassa variabilit\u00e0, che in realt\u00e0 non ci dice se una determinata variabile predittrice sia significativa o meno nella pratica.<\/span><\/p>\n Tuttavia, ci sono due metodi da utilizzare<\/strong> per determinare il significato delle variabili:<\/span><\/p>\n 1. Coefficienti di regressione standardizzati<\/strong><\/span><\/p>\n In genere, quando eseguiamo una regressione lineare multipla, i coefficienti di regressione risultanti nell’output del modello non sono standardizzati<\/strong> , nel senso che utilizzano i dati grezzi per trovare la linea pi\u00f9 adatta.<\/span><\/p>\n Tuttavia, \u00e8 possibile standardizzare<\/strong> ciascuna variabile predittore e la variabile di risposta (sottraendo il valore medio di ciascuna variabile dai valori originali e poi dividendolo per la deviazione standard delle variabili) e quindi eseguire una regressione, che risulta in coefficienti di regressione standardizzati<\/strong> .<\/span><\/p>\n Standardizzando ciascuna variabile nel modello, ciascuna variabile viene misurata sulla stessa scala. Ha senso quindi confrontare i valori assoluti dei coefficienti di regressione nei risultati per capire quali variabili influiscono maggiormente sulla variabile di risposta.<\/span><\/p>\n 2. Competenza in materia<\/strong><\/span><\/p>\n Sebbene i valori p possano dirti se esiste un effetto statisticamente significativo tra una determinata variabile predittiva e la variabile di risposta, \u00e8 necessaria esperienza in materia per confermare se una variabile predittiva \u00e8 effettivamente rilevante e dovrebbe effettivamente essere inclusa in un modello.<\/span><\/p>\n L’esempio seguente mostra come determinare nella pratica le variabili significative in un modello di regressione.<\/span><\/p>\n Supponiamo di avere il seguente set di dati contenente informazioni sull’et\u00e0, la metratura e il prezzo di vendita di 12 case:<\/span> <\/p>\n Supponiamo quindi di eseguire una regressione lineare multipla, utilizzando l’et\u00e0<\/strong> e la metratura<\/strong> come variabili predittive e il prezzo<\/strong> come variabile di risposta.<\/span><\/p>\n Riceviamo il seguente risultato:<\/span> <\/p>\n I coefficienti di regressione in questa tabella non sono standardizzati<\/strong> , nel senso che hanno utilizzato i dati grezzi per adattarsi a questo modello di regressione.<\/span><\/p>\n A prima vista, sembra che l’et\u00e0<\/strong> abbia un effetto molto maggiore sul prezzo degli immobili poich\u00e9 il suo coefficiente nella tabella di regressione \u00e8 -409.833<\/strong> , rispetto a solo 100.866<\/strong> per la metratura<\/strong> variabile del predittore.<\/span><\/p>\n Tuttavia, l\u2019errore standard \u00e8 molto maggiore per l\u2019et\u00e0 che per la metratura, motivo per cui il valore p corrispondente \u00e8 in realt\u00e0 grande per l\u2019et\u00e0 (p = 0,520) e piccolo per la metratura (p = 0,000).<\/span><\/p>\n La ragione delle differenze estreme nei coefficienti di regressione \u00e8 dovuta alle differenze estreme nelle scale per le due variabili:<\/span><\/p>\n Supponiamo invece di normalizzare<\/strong> i dati grezzi:<\/span> <\/p>\n Se poi eseguiamo una regressione lineare multipla utilizzando i dati standardizzati, otterremo il seguente risultato di regressione:<\/span> <\/p>\n I coefficienti di regressione in questa tabella sono standardizzati<\/strong> , nel senso che hanno utilizzato dati standardizzati per adattarsi a questo modello di regressione.<\/span><\/p>\n Il modo di interpretare i coefficienti nella tabella \u00e8 il seguente:<\/span><\/p>\n Ora possiamo vedere che la metratura ha un effetto molto maggiore sui prezzi delle case rispetto all\u2019et\u00e0.<\/span><\/p>\n Nota<\/strong> : i valori p per ciascuna variabile predittrice sono esattamente gli stessi del modello di regressione precedente.<\/span><\/p>\n Al momento di decidere quale modello finale utilizzare, ora sappiamo che la metratura<\/strong> \u00e8 molto pi\u00f9 importante per prevedere il prezzo di una casa rispetto alla sua et\u00e0<\/strong> .<\/span><\/p>\n In definitiva, dovremo utilizzare la nostra esperienza in materia per determinare quali variabili includere nel modello finale, sulla base delle conoscenze esistenti sui prezzi delle case e degli immobili.<\/span><\/p>\n Le esercitazioni seguenti forniscono informazioni aggiuntive sui modelli di regressione:<\/span><\/p>\n Come leggere e interpretare una tabella di regressione<\/a> Una delle domande principali che ti porrai dopo aver adattato un modello di regressione lineare multipla \u00e8: quali variabili sono significative? Esistono due metodi da non utilizzare per determinare il significato di una variabile: 1. Il valore dei coefficienti di regressione Un coefficiente di regressione per una determinata variabile predittiva indica la variazione media nella […]<\/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: come determinare le variabili significative in un modello di regressione<\/strong><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise1.png\")
<\/p>\n![\"Esempio](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise2.png\")
<\/p>\n\n
![\"Standardizzare](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise3.png\")
<\/p>\n![\"Coefficienti](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise4.png\")
<\/p>\n\n
Risorse addizionali<\/strong><\/span><\/h2>\n
Come interpretare i coefficienti di regressione<\/a>
Come interpretare i valori P nella regressione lineare<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"