Questo tutorial spiega come eseguire una semplice regressione lineare in Stata.<\/span><\/p>\n Supponiamo di voler comprendere la relazione tra il peso di un’auto e le miglia per gallone. Per esplorare questa relazione, possiamo eseguire una semplice regressione lineare utilizzando il peso come variabile esplicativa e le miglia per gallone come variabile di risposta.<\/span><\/p>\n Completa i seguenti passaggi in Stata per eseguire una semplice regressione lineare utilizzando il set di dati chiamato auto<\/em> , che contiene dati su 74 auto diverse.<\/span><\/p>\n Passaggio 1: caricare i dati.<\/strong><\/span><\/p>\n Caricare i dati digitando quanto segue nella casella di comando:<\/span><\/p>\n utilizzare https:\/\/www.stata-press.com\/data\/r13\/auto<\/strong><\/span><\/p>\n<\/blockquote>\n Passaggio 2: ottieni un riepilogo dei dati.<\/strong><\/span><\/p>\n Ottieni una rapida comprensione dei dati con cui stai lavorando digitando quanto segue nella casella di comando:<\/span><\/p>\n riassumere<\/span><\/strong> <\/p>\n<\/blockquote>\n Possiamo vedere che ci sono 12 variabili diverse nel set di dati, ma le uniche due che ci interessano sono mpg<\/em> e peso<\/em> .<\/span><\/p>\n Passaggio 3: visualizzare i dati.<\/strong><\/span><\/p>\n Prima di eseguire una semplice regressione lineare, creiamo innanzitutto un grafico a dispersione del peso rispetto ai mpg in modo da poter visualizzare la relazione tra queste due variabili e verificare la presenza di valori anomali evidenti. Digitare quanto segue nella casella Comando per creare un grafico a dispersione:<\/span><\/p>\n dispersione di peso in mpg<\/strong><\/span><\/p>\n<\/blockquote>\n Ci\u00f2 produce il seguente grafico a dispersione:<\/span> <\/p>\n Possiamo vedere che le auto con pesi pi\u00f9 elevati tendono ad avere meno miglia per gallone. Per quantificare questa relazione, eseguiremo ora una semplice regressione lineare.<\/span><\/p>\n Passaggio 4: eseguire una semplice regressione lineare.<\/strong><\/span><\/p>\n Digitare quanto segue nella casella Comando per eseguire una regressione lineare semplice utilizzando peso come variabile esplicativa e mpg come variabile di risposta.<\/span><\/p>\n regredire il peso a mpg<\/strong><\/span> <\/p>\n<\/blockquote>\n Ecco come interpretare i numeri pi\u00f9 interessanti nel risultato:<\/span><\/p>\n R quadrato:<\/strong> 0,6515. Questa \u00e8 la proporzione della varianza nella variabile di risposta che pu\u00f2 essere spiegata dalla variabile esplicativa. In questo esempio, il 65,15% della variazione di mpg pu\u00f2 essere spiegata dal peso.<\/span><\/p>\n Coef (peso):<\/strong> -0,006. Questo ci dice la variazione media nella variabile di risposta associata ad un aumento di un’unit\u00e0 nella variabile esplicativa. In questo esempio, ogni aumento di peso di mezzo chilo \u00e8 associato a una diminuzione media di 0,006 mpg.<\/span><\/p>\n Coef (_cons):<\/strong> 39.44028. Questo ci dice il valore medio della variabile di risposta quando la variabile esplicativa \u00e8 zero. In questo esempio, il mpg medio \u00e8 39,44028 quando il peso di un’auto \u00e8 pari a zero. Questa interpretazione non ha davvero senso poich\u00e9 il peso di un’auto non pu\u00f2 essere zero, ma il numero 39.44028 \u00e8 necessario per formare un’equazione di regressione.<\/span><\/p>\n P>|t| (peso):<\/strong> 0.000. Questo \u00e8 il valore p associato alla statistica del test per il peso. In questo caso, poich\u00e9 questo valore \u00e8 inferiore a 0,05, possiamo concludere che esiste una relazione statisticamente significativa tra peso e mpg.<\/span><\/p>\n Equazione di regressione:<\/strong> infine, possiamo formare un’equazione di regressione utilizzando i valori dei due coefficienti. In questo caso l\u2019equazione sarebbe:<\/span><\/p>\n mpg previsto = 39,44028 \u2013 0,0060087*(peso)<\/span><\/p>\n Possiamo usare questa equazione per trovare il mpg previsto per un’auto, dato il suo peso. Ad esempio, un’auto che pesa 4.000 libbre dovrebbe avere un mpg di 15.405:<\/span><\/p>\n mpg previsti = 39,44028 \u2013 0,0060087*(4000) = 15,405<\/span><\/p>\n Passaggio 5: riportare i risultati.<\/strong><\/span><\/p>\n Infine, vogliamo riportare i risultati della nostra regressione lineare semplice. Ecco un esempio di come eseguire questa operazione:<\/span><\/p>\n \u00c8 stata eseguita una regressione lineare per quantificare la relazione tra il peso di un’auto e le miglia per gallone. Nell’analisi \u00e8 stato utilizzato un campione di 74 automobili.<\/span><\/p>\n I risultati hanno mostrato che esisteva una relazione statisticamente significativa tra peso e mpg (t = -11,60, p < 0,0001) e che il peso rappresentava il 65,15% della variabilit\u00e0 spiegata in mpg.<\/span><\/p>\n L\u2019equazione di regressione risult\u00f2 essere:<\/span><\/p>\n mpg previsto = 39,44 \u2013 0,006 (peso)<\/span><\/p>\n Ogni libbra in pi\u00f9 \u00e8 stata associata ad una diminuzione, in media, di -0,006 miglia per gallone.<\/span><\/p>\n<\/blockquote>\n","protected":false},"excerpt":{"rendered":" La regressione lineare semplice \u00e8 un metodo che puoi utilizzare per comprendere la relazione tra una variabile esplicativa, x, e una variabile di risposta, y. Questo tutorial spiega come eseguire una semplice regressione lineare in Stata. Esempio: regressione lineare semplice in Stata Supponiamo di voler comprendere la relazione tra il peso di un’auto e le […]<\/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: regressione lineare semplice in Stata<\/strong><\/span><\/h2>\n
\n
\n
![\"Riepilogare](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregressionstata1.png\")
<\/p>\n\n
![\"Grafico](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregressionstata2.png\")
<\/p>\n\n
![\"L'interpretazione](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregressionstata3.png\")
<\/p>\n\n