<\/p>\n
Questo tutorial spiega come identificare la statistica F nell’output di una tabella di regressione e come interpretare questa statistica e il suo valore p corrispondente.<\/span><\/p>\n Il test F per la significativit\u00e0 complessiva<\/strong> nella regressione \u00e8 un test per determinare se il modello di regressione lineare fornisce o meno un adattamento migliore a un set di dati rispetto a un modello senza variabili predittive.<\/span><\/p>\n Il test F di significativit\u00e0 complessiva si basa sui due presupposti seguenti:<\/span><\/p>\n Ipotesi nulla ( H0<\/sub> ):<\/strong> il modello senza variabili predittive (chiamato anche modello di sola intercetta<\/em> ) si adatta ai dati cos\u00ec come al modello di regressione.<\/span><\/p>\n Ipotesi alternativa ( HA<\/sub> ):<\/strong> il modello di regressione si adatta meglio ai dati rispetto al modello di sola intercettazione.<\/span><\/p>\n Quando adatti un modello di regressione a un set di dati, riceverai come output una tabella di regressione , che ti indicher\u00e0 la statistica F insieme al valore p corrispondente per quella statistica F.<\/span><\/p>\n Se il valore p \u00e8 inferiore al livello di significativit\u00e0 scelto ( le scelte comuni sono 0,01, 0,05 e 0,10<\/em> ), allora hai prove sufficienti per concludere che il tuo modello di regressione si adatta ai dati solo come modello originale. modello.<\/span><\/p>\n Supponiamo di avere il seguente set di dati che mostra il numero totale di ore studiate, il numero totale di esami preparatori sostenuti e il voto dell’esame finale per 12 studenti diversi:<\/span><\/p>\n Per analizzare il rapporto tra le ore di studio e gli esami preparatori sostenuti con il voto ottenuto dallo studente all’esame finale, effettuiamo una regressione lineare multipla utilizzando le ore di studio<\/em> e gli esami preparatori<\/em> assunti<\/em> come variabili predittive e il voto finale in esame<\/em> come variabile di risposta.<\/span><\/p>\n Riceviamo il seguente risultato:<\/span><\/p>\n Da questi risultati, ci concentreremo sulla statistica F fornita nella tabella ANOVA nonch\u00e9 sul valore p di questa statistica F, etichettato come Significanza F<\/em> nella tabella. Sceglieremo 0,05 come livello di significativit\u00e0.<\/span><\/p>\n Statistica F:<\/strong> 5.090515<\/span><\/p>\n Valore P:<\/strong> 0,0332<\/span><\/p>\n Nota tecnica:<\/strong> la statistica F \u00e8 calcolata come la regressione MS divisa per il residuo MS. In questo caso, regressione MS\/residuo MS = 273,2665 \/ 53,68151 = 5,090515<\/strong> .<\/em><\/span><\/p>\n<\/blockquote>\n Poich\u00e9 il valore p \u00e8 inferiore al livello di significativit\u00e0, possiamo concludere che il nostro modello di regressione si adatta meglio ai dati rispetto al modello di sola intercettazione.<\/span><\/p>\n Nel contesto di questo problema specifico, ci\u00f2 significa che l’utilizzo delle variabili predittive delle ore di studio<\/em> e degli esami preparatori<\/em> nel modello ci consente di adattare i dati meglio che se li escludessimo e utilizzassimo semplicemente il modello di intercettazione in modo univoco.<\/span><\/p>\n In generale, se nessuna delle variabili predittive \u00e8 statisticamente significativa, neanche il test F complessivo sar\u00e0 statisticamente significativo.<\/span><\/p>\n Tuttavia, questo potrebbe non essere il caso in alcuni casi, perch\u00e9 il test F per la significativit\u00e0 complessiva verifica se tutte le variabili predittive sono congiuntamente<\/em> significative, mentre il test T per la significativit\u00e0 per ogni singola variabile predittiva verifica semplicemente se ciascuna variabile predittiva \u00e8 significativa. individualmente<\/em> significativi.<\/span><\/p>\n Pertanto, il test F determina se tutte<\/em> le variabili predittive sono congiuntamente significative o meno.<\/span><\/p>\n \u00c8 possibile che ciascuna variabile predittiva non sia significativa e tuttavia il test F indica che tutte le variabili predittive combinate sono congiuntamente significative.<\/span><\/p>\n Nota tecnica:<\/strong> in generale, maggiore \u00e8 il numero di variabili predittive presenti nel modello, maggiore \u00e8 la probabilit\u00e0 che la statistica F e il corrispondente valore p siano statisticamente significativi.<\/em><\/span><\/p>\n<\/blockquote>\n Un’altra metrica che probabilmente vedrai nell’output di una regressione \u00e8 R-squared , che misura la forza della relazione lineare tra le variabili predittive e la variabile di risposta \u00e8 un’altra.<\/span><\/p>\n Sebbene R-quadrato possa darti un\u2019idea della misura in cui le variabili predittive sono fortemente associate alla variabile di risposta, non fornisce un test statistico formale per questa relazione.<\/span><\/p>\n Questo \u00e8 il motivo per cui l’F-Test \u00e8 utile poich\u00e9 \u00e8 un test statistico formale. Inoltre, se il test F complessivo \u00e8 significativo, \u00e8 possibile concludere che R quadrato non \u00e8 zero e che la correlazione tra le variabili predittive e la variabile di risposta \u00e8 statisticamente significativa.<\/span><\/p>\n I seguenti tutorial spiegano come interpretare altri valori comuni nei modelli di regressione:<\/span><\/p>\n Come leggere e interpretare una tabella di regressione Questo tutorial spiega come identificare la statistica F nell’output di una tabella di regressione e come interpretare questa statistica e il suo valore p corrispondente. Comprensione del test F di significativit\u00e0 complessiva Il test F per la significativit\u00e0 complessiva nella regressione \u00e8 un test per determinare se il modello di regressione lineare fornisce o meno […]<\/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 Comprensione del test F di significativit\u00e0 complessiva<\/strong><\/span><\/h2>\n
Esempio: test F in regressione<\/strong><\/span><\/h2>\n
\n
Note sull’interpretazione del test F di significativit\u00e0 complessiva<\/strong><\/span><\/h2>\n
\n
Risorse addizionali<\/strong><\/span><\/h2>\n
Comprendere l’errore standard di regressione
Qual \u00e8 un buon valore R quadrato?<\/p>\n","protected":false},"excerpt":{"rendered":"