f(x): espressione funzionale mirante a descrivere la legge di dipendenza di Y da X.
Diagramma di dispersione {x j , y j ; j = 1,2,...,n}
Y
y j .
x j X
Modello di dipendenza lineare: retta di regressione y = b 0 + b YX x
b 0 : ordinata allorigine (o termine noto)
b YX : coefficiente angolare della retta di regressione, detto coefficiente di regressione. Riassume lintensit della dipendenza di Y da X. y j = j j j ) 2 Criterio di accostamento: metodo dei minimi quadrati y j :ordinata empirica di ascissa x j
* b 0
n
+ b YX x j :ordinata teorica di ascissa x j
D =
(y j=1 n y * ) 2 = =
(y j=1
b 0
b YX x j
= minimo Grafico della n-pla di valori {x j , y j }
Y
y j .
y j *
b 0
x j X
n x
b 0 = y b YX x
n
x j y j
nx y
(y j
y)(x j x)
b YX = j=1 n 2 j
nx 2
= j=1 n
(x j
= x) 2
j=1
= Codev(X, Y ) =
De v( X) j=1
Cov(X, Y ) V(X) b YX indica di quanto varia in media Y per ogni variazione unitaria positiva di X;
ha il segno algebrico della codevianza.
b YX >0 retta ascendente;
b YX <0
b YX =0
retta
retta
discendente;
parallela allasse
delle ascisse (equazione della retta: y = y ): Y linearmente indipendente da X. Osservazione: la retta di regressione passa sempre per il centroide della nuvola di punti, poich i valori medi lequazione: (x, y) soddisfano
y* = b 0 + b YX x j j b 2 Scomposizione della devianza di Y
Dev(Y) tot = Dev(Y) regr + Dev(Y) disp
(y j
j y) 2
=
(y *
j y) 2
+
(y j
j y * ) 2 =
= YX (x j
j x) 2
+
|y j
j
b 0
b YX x j | 2
R 2 :indice di determinazione lineare
R 2 = Dev(Y) regr
Dev(Y) tot
= 1 Dev(Y) disp
Dev(Y) tot
0 s R 2 s 1 R 2 : frazione della variabilit di Y attribuibile alla dipendenza lineare da X.
R 2 = 0
per Dev(Y) regr = 0
(retta di regressione non inclinata e devianza di regressione nulla)
R 2 = 1 per Dev(Y) disp = 0
(tutta la variabilit di Y dovuta alla dipendenza lineare da X e la devianza di dispersione nulla). b y = x 0
n
X: variabile dipendente Y: variabile indipendente
' b XY y
n n
x j y j
nx y
(y j
y)(x j
x)
b XY = j=1 n 2 j
ny 2
= j=1
(y j
= y) 2
j=1
= Codev(X, Y ) Dev(Y) j=1 = 0 , Y linearmente indipendente nche b XY = 0 , X linearmente
I coefficienti angolari b YX e
b XY hanno lo stesso segno algebrico, dato dalla codevianza, e differiscono per effetto della diversa variabilit dei due caratteri.
Se b YX
da X, a indipendente da Y, e viceversa. Lindipendenza lineare reciproca. b 0
Grafico delle rette: y* = b 0 + b YX x x * = '
Y + b XY y
y
x X Coefficiente di correlazione lineare (r) (Bravais-Pearson)
Indicatore simmetrico della relazione lineare tra Y e X. Codev(X, Y) r = Dev(X) Dev(Y) 1 s r s +1
Lindice r ha il segno algebrico della codevianza
Nel modello di regressione lineare semplice vale la relazione R 2 = r 2
r = +1: perfetta correlazione lineare positiva tra X e Y; punti empirici tutti allineati su una sola retta ascendente; r = -1: perfetta correlazione lineare negativa; punti empirici tutti allineati su una sola retta discendente; r = 0: assenza di correlazione lineare; rette di regressione ortogonali tra loro, con coefficienti angolari entrambi uguali a 0: caratteri linearmente indipendenti. 0 < r < +1: tendenziale correlazione positiva tra X e Y; rette di regressione entrambe ascendenti; coefficienti di regressione positivi (quanto pi essi si riducono, tanto pi le rette si aprono a forbice, espressione dell'attenuarsi della relazione lineare tra le variabili); -1 < r < 0: tendenziale correlazione negativa tra X e Y; rette di regressione entrambe discendenti: coefficienti di regressione negativi (l'angolo racchiuso dalle due rette tanto minore quanto pi si accentua la correlazione negativa). Relazioni che intercorrono tra il coefficiente di correlazione lineare (r) e i coefficienti di regressione:
b = r s Y b = r s X
YX s X XY s Y
s X : scarto quadratico medio di X s Y : scarto quadratico medio di Y r = b YX b XY
Dalla n-pla bivariata alla distribuzione bivariata x 1 .. x h .. x v
y 1 n 11 .. n 1h .. n 1v n 10
: : y i n i1 .. n ih .. n iv n i0
: : y u n u1 .. n uh .. n uv n u0
n 01 .. n 0h .. n 0v n
{x h , y i ;
n ih ;
i = 1,...,u; h = 1,..., v} h n In una {y i , x h ;n ih }
1 x =
x h n 0h
n h
1 Dev(X) =
x 2 n 0h h
2 nx 2
2 y =
i y i n i0 Dev(Y) =
y i i
n i0 ny
Codev(X, Y) =
x h y i n ih i h nx y Regressione lineare e correlazione: funzioni Excel
- funzioni per lanalisi del modello di regressione lineare semplice y = b 0 + b YX x
- funzione matriciale applicabile sia al modello di regressione lineare semplice sia al modello di regressione lineare multipla
y = b 0 + b 1 x 1 + b 2 x 2
+ ... + b p x p
Funzioni Excel per lanalisi del modello di regressione lineare semplice
y* = b 0 + b YX x
- INTERCETTA(y,x): calcolo di b 0
- PENDENZA(y,x): calcolo di b YX
- TENDENZA(y;x;nuova_x;cost): calcolo dei valori teorici y j * di ascissa x j , j=1,...,n, o della previsione di Y in corrispondenza di un nuovo valore di X (cost=1 se modello con intercetta, 0 altrimenti) - RQ(y,x): calcolo dellindice di determinazione lineare
- COVARIANZA(Matrice1,Matrice 2): calcolo della covarianza fra X e Y
- CORRELAZIONE(Matrice1,Matrice 2): calcolo del coefficiente di correlazione lineare di Pearson fra X e Y Funzione matriciale (sia modello di regressione lineare semplice sia modello di regressione lineare multipla)
REGR.LIN(y,x,cost,stat)
y variabile dipendente; x variabili indipendenti (se regressione semplice 1 sola colonna, se regressione multipla pi colonne contigue); cost=1 se modello con intercetta, 0 altrimenti; stat=1 se si vogliono statistiche aggiuntive, 0 altrimenti Modello di regressione lineare semplice y* = b 0 + b YX x
