<\/p>\n
La regressione lineare<\/b> \u00e8 una delle tecniche pi\u00f9 comunemente utilizzate in statistica. Viene utilizzato per quantificare la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta.<\/span><\/p>\n La forma pi\u00f9 elementare di regressione lineare \u00e8 nota come regressione lineare semplice<\/a> , che viene utilizzata per quantificare la relazione tra una variabile predittore e una variabile di risposta.<\/span><\/p>\n Se disponiamo di pi\u00f9 variabili predittive, possiamo utilizzare la regressione lineare multipla, che viene utilizzata per quantificare la relazione tra pi\u00f9 variabili predittive e una variabile di risposta.<\/span><\/p>\n Questo tutorial mostra quattro diversi esempi di utilizzo della regressione lineare nella vita reale.<\/span><\/p>\n Le aziende spesso utilizzano la regressione lineare per comprendere la relazione tra la spesa pubblicitaria e le entrate.<\/span><\/p>\n Ad esempio, potrebbero adattare un semplice modello di regressione lineare utilizzando la spesa pubblicitaria come variabile predittiva e le entrate come variabile di risposta. Il modello di regressione assumerebbe la forma seguente:<\/span><\/p>\n entrate = \u03b2 0<\/sub> + \u03b2 1<\/sub> (spese pubblicitarie)<\/span><\/strong><\/p>\n<\/blockquote>\n Il coefficiente \u03b2 0<\/sub><\/strong> rappresenterebbe le entrate totali previste quando la spesa pubblicitaria \u00e8 pari a zero.<\/span><\/p>\n Il coefficiente \u03b2 1<\/sub><\/strong> rappresenterebbe la variazione media delle entrate totali quando la spesa pubblicitaria aumenta di un’unit\u00e0 (ad esempio, un dollaro).<\/span><\/p>\n Se \u03b2 1<\/sub> fosse negativo, ci\u00f2 significherebbe che un aumento della spesa pubblicitaria \u00e8 associato ad una diminuzione delle entrate.<\/span><\/p>\n Se \u03b2 1<\/sub> fosse vicino allo zero, ci\u00f2 significherebbe che la spesa pubblicitaria ha scarso effetto sulle entrate.<\/span><\/p>\n E se \u03b21<\/sub> fosse positivo, significherebbe che una maggiore spesa pubblicitaria \u00e8 associata a maggiori entrate.<\/span><\/p>\n A seconda del valore di \u03b2 1<\/sub> , un’azienda pu\u00f2 decidere di ridurre o aumentare le proprie spese pubblicitarie.<\/span><\/p>\n I ricercatori medici spesso utilizzano la regressione lineare per comprendere la relazione tra il dosaggio dei farmaci e la pressione sanguigna dei pazienti.<\/span><\/p>\n Ad esempio, i ricercatori possono somministrare dosi diverse di un determinato farmaco ai pazienti e osservare come risponde la loro pressione sanguigna. Potrebbero adattare un semplice modello di regressione lineare utilizzando il dosaggio come variabile predittiva e la pressione sanguigna come variabile di risposta. Il modello di regressione assumerebbe la forma seguente:<\/span><\/p>\n pressione arteriosa = \u03b2 0<\/sub> + \u03b2 1<\/sub> (dosaggio)<\/strong><\/span><\/p>\n<\/blockquote>\n Il coefficiente \u03b2 0<\/sub><\/strong> rappresenterebbe la pressione sanguigna prevista quando il dosaggio \u00e8 pari a zero.<\/span><\/p>\n Il coefficiente \u03b2 1<\/sub><\/strong> rappresenterebbe la variazione media della pressione sanguigna quando il dosaggio viene aumentato di una unit\u00e0.<\/span><\/p>\n Se \u03b21<\/sub> fosse negativo, significherebbe che un aumento del dosaggio \u00e8 associato ad una diminuzione della pressione arteriosa.<\/span><\/p>\n Se \u03b21<\/sub> fosse vicino allo zero, ci\u00f2 significherebbe che un aumento del dosaggio non \u00e8 associato ad alcuna variazione della pressione arteriosa.<\/span><\/p>\n Se \u03b21<\/sub> fosse positivo significherebbe che un aumento del dosaggio \u00e8 associato ad un aumento della pressione arteriosa.<\/span><\/p>\n A seconda del valore di \u03b2 1<\/sub> i ricercatori possono decidere di modificare la dose somministrata ad un paziente.<\/span><\/p>\n Gli agronomi utilizzano spesso la regressione lineare per misurare l\u2019effetto dei fertilizzanti e dell\u2019acqua sui raccolti.<\/span><\/p>\n Ad esempio, gli scienziati potrebbero utilizzare quantit\u00e0 diverse di fertilizzanti e acqua in campi diversi e vedere come ci\u00f2 influisce sulla resa dei raccolti. Potrebbero adattare un modello di regressione lineare multipla utilizzando fertilizzanti e acqua come variabili predittive e la resa del raccolto come variabile di risposta. Il modello di regressione assumerebbe la forma seguente:<\/span><\/p>\n resa del raccolto = \u03b2 0<\/sub> + \u03b2 1<\/sub> (quantit\u00e0 di fertilizzante) + \u03b2 2<\/sub> (quantit\u00e0 di acqua)<\/strong><\/span><\/p>\n<\/blockquote>\n Il coefficiente \u03b2 0<\/sub><\/strong> rappresenterebbe la resa attesa del raccolto senza fertilizzanti o acqua.<\/span><\/p>\n Il coefficiente \u03b2 1<\/sub><\/strong> rappresenterebbe la variazione media della resa del raccolto quando il fertilizzante viene aumentato di un’unit\u00e0, assumendo che la quantit\u00e0 di acqua rimanga invariata.<\/em><\/span><\/p>\n Il coefficiente \u03b2 2<\/sub><\/strong> rappresenterebbe la variazione media della resa del raccolto quando l’acqua viene aumentata di un’unit\u00e0, assumendo che la quantit\u00e0 di fertilizzante rimanga invariata.<\/em><\/span><\/p>\n A seconda dei valori di \u03b21<\/sub> e \u03b22<\/sub> , gli scienziati possono modificare la quantit\u00e0 di fertilizzante e di acqua utilizzata per massimizzare la resa del raccolto.<\/span><\/p>\n I data scientist delle squadre sportive professionistiche utilizzano spesso la regressione lineare per misurare l’effetto di diversi programmi di allenamento sulle prestazioni dei giocatori.<\/span><\/p>\n Ad esempio, i data scientist della NBA potrebbero analizzare in che modo diverse quantit\u00e0 di sessioni settimanali di yoga e sollevamento pesi influiscono sul numero di punti segnati da un giocatore. Potrebbero adattare un modello di regressione lineare multipla utilizzando sessioni di yoga e sessioni di sollevamento pesi come variabili predittive e i punti totali segnati come variabile di risposta. Il modello di regressione assumerebbe la forma seguente:<\/span><\/p>\n punti segnati = \u03b2 0<\/sub> + \u03b2 1<\/sub> (sessioni di yoga) + \u03b2 2<\/sub> (sessioni di sollevamento pesi)<\/strong><\/span><\/p>\n<\/blockquote>\n Il coefficiente \u03b2 0<\/sub><\/strong> rappresenterebbe i punti attesi segnati per un giocatore che non partecipa a sessioni di yoga e a sessioni di sollevamento pesi.<\/span><\/p>\n Il coefficiente \u03b2 1<\/sub><\/strong> rappresenterebbe la variazione media dei punti segnati quando le sessioni settimanali di yoga vengono aumentate di uno, assumendo che il numero di sessioni settimanali di sollevamento pesi rimanga invariato.<\/em><\/span><\/p>\n Il coefficiente \u03b22<\/sub><\/strong> rappresenterebbe la variazione media dei punti ottenuti quando le sessioni settimanali di sollevamento pesi vengono aumentate di uno, assumendo che il numero di sessioni settimanali di yoga rimanga invariato.<\/em><\/span><\/p>\n A seconda dei valori di \u03b2 1<\/sub> e \u03b2 2<\/sub> , i data scientist possono consigliare a un giocatore di partecipare a sessioni di yoga e sollevamento pesi pi\u00f9 o meno settimanali per massimizzare i punti segnati.<\/span><\/p>\n La regressione lineare viene utilizzata in un’ampia variet\u00e0 di situazioni del mondo reale in molti tipi di settori. Fortunatamente, i software statistici semplificano l\u2019esecuzione della regressione lineare.<\/span><\/p>\n Sentiti libero di esplorare i seguenti tutorial per imparare come eseguire la regressione lineare utilizzando diversi software:<\/span><\/p>\n Come eseguire una regressione lineare semplice in Excel<\/a> La regressione lineare \u00e8 una delle tecniche pi\u00f9 comunemente utilizzate in statistica. Viene utilizzato per quantificare la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta. La forma pi\u00f9 elementare di regressione lineare \u00e8 nota come regressione lineare semplice , che viene utilizzata per quantificare la relazione tra una variabile predittore e […]<\/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 n. 1 di regressione lineare reale<\/strong><\/span><\/h3>\n
\n
Esempio n. 2 di regressione lineare reale<\/strong><\/span><\/h3>\n
\n
Esempio n. 3 di regressione lineare reale<\/strong><\/span><\/h3>\n
\n
Esempio n. 4 di regressione lineare reale<\/strong><\/span><\/h3>\n
\n
Conclusione<\/span><\/strong><\/h2>\n
Come eseguire una regressione lineare multipla in Excel<\/a>
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire la regressione lineare multipla in Stata<\/a>
Come eseguire la regressione lineare su una calcolatrice TI-84<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"