Corso di Laurea in Scienze e Tecniche psicologiche

Slides:



Advertisements
Presentazioni simili
Calcolo vettoriale E.F. Orsega – Università Ca’ Foscari di Venezia
Advertisements

Selezione delle caratteristiche - Principal Component Analysis
FUNZIONI REALI DI DUE VARIABILI REALI
Metodi Quantitativi per Economia, Finanza e Management Lezione n°4 Analisi bivariata. Analisi di connessione, correlazione e di dipendenza in media.
INTERPOLAZIONE MOD.10 CAP.1
Come organizzare i dati per un'analisi statistica al computer?
Momento di un vettore rispetto ad un polo fisso
Tecniche di analisi dei dati e impostazione dellattività sperimentale Relazioni tra variabili: Correlazione e Regressione.
Matematica I: Calcolo differenziale, Algebra lineare, Probabilità e statistica Giovanni Naldi, Lorenzo Pareschi, Giacomo Aletti Copyright © The.
Variabili casuali a più dimensioni
Fisica: lezioni e problemi
Analisi di covarianza L'analisi di covarianza è un'analisi a metà strada tra l'analisi di varianza e l'analisi di regressione. Nell'analisi di covarianza.
Analisi di covarianza L'analisi di covarianza è un'analisi a metà strada tra l'analisi di varianza e l'analisi di regressione. Nell'analisi di covarianza.
LE FUNZIONI Definizione Campo di esistenza e codominio
Regressione lineare Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°10.
Metodi Quantitativi per Economia, Finanza e Management Lezione n°6.
Metodi Quantitativi per Economia, Finanza e Management Lezione n°7.
Regressione lineare Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°8.
DISTRIBUZIONE CAMPIONARIA CONGIUNTA DI DUE VARIABILI (1)
“cassetta degli arnesi”
Costruzione di Interfacce Lezione 4 Nozioni di geometria per la grafica
Costruzione di Interfacce Lezione 4 Geometria per la grafica
LE EQUAZIONI DI SECONDO GRADO
STATISTICA a.a METODO DEI MINIMI QUADRATI REGRESSIONE
Modello di regressione lineare semplice
OPERAZIONI CON TRINOMI DI II° GRADO
Teoria degli errori.
SCOMPOSIZIONE DI UN VETTORE
Dal segno della parabola al segno del trinomio di secondo grado
La programmazione lineare
Corso di POPOLAZIONE TERRITORIO E SOCIETA’ 1 AA
La ricerca delle relazioni tra fenomeni
Tutte le grandezze fisiche si dividono in
Introduzione alla Regressione Lineare e alla Correlazione.
COVARIANZA e CORRELAZIONE.
Simone Mosca & Daniele Zucchini 4Bi.
La regressione come strumento di sintesi delle relazioni tra variabili
DATA MINING PER IL MARKETING
Metodi Quantitativi per Economia, Finanza e Management Lezione n°5 Analisi Bivariata I° Parte.
Fisica: lezioni e problemi
OPERAZIONI CON TRINOMI DI II° GRADO
DATA MINING PER IL MARKETING
Esame di Analisi Multivariata dei Dati
Esame di Analisi Multivariata dei Dati
1 Corso di Laurea magistrale in Psicologia Clinica, dello Sviluppo e Neuropsicologia Esame di Analisi Multivariata dei Dati Introduzione all’analisi fattoriale.
Il residuo nella predizione
Analisi Multivariata dei Dati
Corso di Laurea in Scienze e tecniche psicologiche
La correlazione.
1 Corso di Laurea magistrale in Psicologia Clinica, dello Sviluppo e Neuropsicologia Esame di Analisi Multivariata dei Dati General linear model e mixed.
Analisi discriminante lineare - contesto
Metodi Quantitativi per Economia, Finanza e Management Lezione n°5.
Metodi Quantitativi per Economia, Finanza e Management Lezione n°7.
Regressione lineare - Esercizi Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°9.
Regressione lineare Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°8.
Altri concetti sulla regressione. Multicollinearità Varianza comune fra le VI: se è molto elevata produce stime instabili. Ci sono degli indici per indicare.
Corso di Laurea in Scienze e tecniche psicologiche
TRATTAMENTO STATISTICO DEI DATI ANALITICI
Alcune metodiche Relazione tra consanguineità ed isonimia (Crow & Mange, 1965) F = I / 4 Metodo delle coppie ripetute (Lasker & Kaplan, 1985) Indici di.
Correlazione e regressione lineare
LA RETTA NEL PIANO CARTESIANO
La covarianza.
Anno scolastico 201 /201 Keith Devlin Anno scolastico 201 /201 Stanislas Dehaene L'assorbimento di questo sistema ha inizio già nell'infanzia, ancor.
L’analisi di regressione e correlazione Prof. Luigi Piemontese.
Il Moto. Partendo da una quesito assegnato nei test di ingresso alla facoltà di medicina, si analizza il moto di un oggetto.
Analisi delle osservazioni
INFERENZA NEL MODELLO DI REGRESSIONE LINEARE SEMPLICE
Regressione: approccio matriciale Esempio: Su 25 unità sono stati rilevati i seguenti caratteri Y: libbre di vapore utilizzate in un mese X 1: temperatura.
1 Corso di Laurea in Scienze e Tecniche psicologiche Esame di Psicometria Il T-Test A cura di Matteo Forgiarini.
Transcript della presentazione:

Corso di Laurea in Scienze e Tecniche psicologiche Esame di Psicometria La regressione lineare semplice A cura di Matteo Forgiarini Matteo.forgiarini@unimib.it

Esercitazione N° 2 – La regressione lineare semplice Relazioni tra variabili Esercitazione N° 2 – La regressione lineare semplice Quando siamo interessati a studiare la relazione tra due variabili, occorre prendere in considerazione 3 caratteristiche principali: La forma che assume la relazione. La sua direzione. L’entità osservata. In questo contesto verranno analizzate solo relazioni lineari: il modello matematico utilizzato è la retta di regressione, quindi si ipotizza una forma lineare. L’entità della relazione fa riferimento alla quantificazione della relazione stessa: la relazione può essere molto forte o modesta; oppure può essere pari a zero, in questo caso si parla di relazione nulla, le variabili sono dunque indipendenti. La direzione della relazione può essere positiva (i valori delle due variabili crescono in modo concorde) o negativa (al crescere dei valori di una variabile diminuiscono i valori dell’altra).

Esercitazione N° 2 – La regressione lineare semplice Varianza e correlazione Esercitazione N° 2 – La regressione lineare semplice Per analizzare la relazione tra le variabili occorre fare riferimento ai concetti di varianza e di correlazione. La correlazione può variare solo tra -1 ed 1; l’entità della relazione è quindi agevole da comprendere ed è possibile confrontare 2 o più valori fra loro. La direzione della relazione è indicata dal segno del valore della correlazione: una correlazione positiva indica che le variabili si “muovono” in modo concorde; una correlazione negativa indica che quando i valori di una variabile crescono, i valori dell’altra mininuiscono.

Esercitazione N° 2 – La regressione lineare semplice Scatter plot Esercitazione N° 2 – La regressione lineare semplice Menù:grafici->scatter plot Spesso è utile costruire una matrice di grafici che permette di visualizzare la natura delle relazioni tra due o più variabili; ogni cerchietto rappresenta un “caso” che viene posizionato sul grafico usando i valori delle due variabili come coordinate cartesiane. Con questo strumento è possibile studiare la forma della relazione tra le coppie di variabili. Per quantificare la relazione tra due variabili occorre calcolare la loro correlazione.

Esercitazione N° 2 – La regressione lineare semplice La correlazione Esercitazione N° 2 – La regressione lineare semplice La correlazione risulta significativa (p-value<0,001); Possiamo quindi rifiutare l’ipose nulla H0: corr(peso,lunghezza)=0 ed accettare H1: corr(peso,lunghezza)≠0 Si noti che la matrice di correlazione prodotta è quadrata e simmetrica: infatti corr(x,y)=corr(y,x).

Esercitazione N° 2 – La regressione lineare semplice I punteggi z Esercitazione N° 2 – La regressione lineare semplice Costruiamo 2 nuove variabili con i valori z delle variabili “lunghezza” e “peso”; Ora calcoliamo la varianza e la correlazione tra queste due nuove variabili.

Esercitazione N° 2 – La regressione lineare semplice La varianza dei punteggi z Esercitazione N° 2 – La regressione lineare semplice Come ci si attendeva la deviazione standard delle due variabili è 1; la correlazione calcolata è pari a quella tra le due variabili non standardizzate (cfr. slide 4); la varianza tra le due variabili è pari alla correlazione: le variabili sono infatti standardizzate.

Esercitazione N° 2 – La regressione lineare semplice La retta di regressione semplice Esercitazione N° 2 – La regressione lineare semplice Se esiste una correlazione significativa tra due variabili, è possibile ipotizzare che una variabile sia causa dell’altra. Chiamiamo variabile indipendente la variabile che predice un cambiamento dei valori dell’altra che per tanto è dipendente dalla prima variabile. Se si ipotizza che vi sia una relazione funzionale diretta tra le due variabili e che tale relazione abbia forma lineare, è possibile stimare i parametri della equazione di regressione semplice tra la variabile indipendente e la dipendente. Y=a + b*x a=intercetta; b=pendenza della retta L’intercetta viene calcolata con la formula: Nella regressione lineare semplice, se le due variabili sono standardizzate b corrisponde alla correlazione tra x e y Se x e y non sono standardizzate, b corrisponde alla covarianza tra x e y divisa per la varianza di x

Esercitazione N° 2 – La regressione lineare semplice La retta di regressione semplice Esercitazione N° 2 – La regressione lineare semplice Intercetta (a) e pendenza (b) risultano significativamente diversi da zero: entrambi i p-values<0.05 Si noti che la pendenza standardizzata corrisponde alla corr(x,y). La proporzione di varianza della y spiegata dalla x corrisponde al quadrato della corr(x.y).

Esercitazione N° 2 – La regressione lineare semplice La retta di regressione semplice Esercitazione N° 2 – La regressione lineare semplice Chiediamo a spss di costruire il grafico della retta di regressione semplice con x=lunghezza e y=peso.

Esercitazione N° 2 – La regressione lineare semplice La retta di regressione semplice Esercitazione N° 2 – La regressione lineare semplice a= -927.67; b= +4.87; la proporzione di varianza della y spiegata dalla x è=0.58 (58%). Le due variabili non sono standardizzate: risulta interessante verificare che le stime di a e b siano coerenti alle formule teoriche.

Esercitazione N° 2 – La regressione lineare semplice La retta di regressione semplice Esercitazione N° 2 – La regressione lineare semplice X= punteggi z:lunghezza; y=punteggi z:peso Le variabili sono standardizzate: la retta di regressione passa per l’origine degli assi, infatti a=0. La pendenza (b)=corr(x,y).

Esercitazione N° 2 – La regressione lineare semplice Correlazione e causazione Esercitazione N° 2 – La regressione lineare semplice La matrice di correlazione delle 6 variabili mostra che la correlazione tra “capienza del serbatoio” e “prezzo” è significativamente diversa da 0. Sembra dunque possibile ipotizzare un legame causale tra queste variabili.

Esercitazione N° 2 – La regressione lineare semplice Correlazione e causazione Esercitazione N° 2 – La regressione lineare semplice I due parametri della retta risultano significativamente diversi da 0; sembra possibile costruire la retta di regressione. Ma ha davvero senso il modello proposto? È davvero ipotizzabile che la capienza del serbatoio sia una causa diretta del prezzo dell’auto? Occorre riflettere: una correlazione significativa tra due variabili non è mai una condizione sufficiente perché vi sia un legame causale diretto tra le due variabili. Non sempre se due variabili correlano in modo significativo è possibile ipotizzare un legame causale diretto; può succedere che vi siano altre variabili che intervengono nella relazione e rendono più complesso il legame: in questi casi un modello di causalità lineare non è sufficiente a spiegare la correlazione osservata.