Corso di
Analisi Statistica per le imprese
Esercitazione: Modello di regressione lineare semplice e multipla
Prof. L. Neri a.a. 2015-2016
1
Verifica di ipotesi per i singoli parametri del modello – Test t
Il contributo (marginale) della singola variabile Xj (j=2,…,k) alla previsione di Y si può verificare attraverso il sistema di ipotesi:
0 :
H
0 :
H
j 1
j 0
Se si accetta H0, si conclude che, al variare di Xj, quando tutte le altre X rimangono immutate, il valore medio di Y rimane costante
In altre parole, l’ipotesi nulla afferma che Xj non fornisce informazione utile per stimare Y al di là di quella fornita dalle altre variabili esplicative
2
Statistica test
0 :
H
0 :
H
j 1
j 0
j n kj t
se ~
ˆ ˆ
Al livello di significatività α, si accetta H
0se il valore della statistica test calcolato sul
campione cade nell’area di accettazione dell’ipotesi nulla, cioè se
j n k jk
n t
t se
2; 2;
ˆ ˆ
Statistica test
3
Esempio – Vendite di gelato
Risultati ottenuti su un campione di n=10 osservazioni
Per ciascun coefficiente il valore della statistica test è sufficientemente elevato (in valore assoluto) da portare al rifiuto dell’ipotesi nulla (come si legge anche dai bassi valori del p-value)
Ciascuna delle due var. X fornisce un’utile
informazione aggiuntiva per spiegare le variazioni nei valori campionari della var. Y, oltre a quella
fornita dall’altra var. esplicativa
Coefficienti Errore
standard Stat t p-value
Intercetta 6,770 1,165 5,812 0,001
Prezzo -0,201 0,054 -3,706 0,008
Temperatura 0,281 0,032 8,898 0,000
4
Analisi della varianza - test F
Il test F è una procedura per sottoporre a
verifica l’ipotesi che i parametri del modello siano congiuntamente uguali a zero
0 un
:
0 ...
:
1
2 0
j k
almeno H
H
Se si accetta H
0vuol dire che nessuna
variabile esplicativa X
j(j=2,…,k) ha un effetto significativo su Y
Se si accetta H
1, si conclude che c’è almeno una variabile esplicativa X
jda cui Y dipende significativamente
5
Generalizzando il risultato ottenuto nel modello di regressione lineare semplice, la statistica test per verificare questa ipotesi è data da:
Analisi varianza e test F
k n
Fk
k n RSS
k ESS
~ ,
) /(
) 1 /(
Nella regressione semplice era:
2 ,
~ 1
) 2 /(
1 /
F n
n RSS
ESS
6
Tabella ANOVA
Regione di rifiuto sulla coda destra della distribuzione
Se il valore empirico della statistica test F > Fk,n-k;α
si rifiuta H0 al livello di significatività prescelto
Fk,n-k;α
7
23 , 16 42
, 0
55 ,
6
MSR
F MSE
737 ,
4 F0,05;2;7
Test F ANOVA - Output Excel
0 oppure
: H
0 :
H
2 1
1
2 1
0
Per verificare
Al livello α=0,05
42,23 > 4,737 Si rifiuta H0
L’evidenza campionaria contraddice l’ipotesi nulla La quantità venduta di gelato dipende
linearmente da almeno una delle due variabili esplicative (prezzo e temperatura)
gdl SQ MQ F p-value
Modello 2 13,10 6,55 42,23 0,00
Errore 7 1,09 0,16
Totale 9 14,18
8
Esercizio 1
Per un campione di clienti, il gestore di una pizzeria che effettua
consegne a domicilio registra la distanza (in km) dalla pizzeria al cliente e il tempo (in minuti) necessario per consegnare la pizza.
Si vuole studiare la dipendenza lineare del tempo (Y) dalla distanza (X).
Sappiamo che:
Dev(X)=7,45; Dev(Y)=TSS=26,18; n=12; R2=0,895 a) Stimare il coefficiente della variabile X
b) Costruire l’intervallo di confidenza al 90% per il suddetto
coefficiente e verificare la dipendenza lineare del tempo dalla distanza.
c) Conoscendo che il tempo medio di consegna quando la distanza è pari a 2 km è di 3,4 minuti e che la distanza media percorsa è di 2,4 km, ricavare l’intervallo di confidenza al 95% per il tempo medio di consegna quando la distanza è pari a 2 km
9
(a)
Per calcolare il coefficiente di regressione, ricaviamo prima il coefficiente di correlazione lineare ρXY a partire da R2
Un km di distanza in più fa aumentare il tempo medio di percorrenza di 1,77 minuti (b)
Gli estremi dell’intervallo di confidenza sono dati da
dove
946 ,
0 R2
XY
77 , ) 1
X ( Dev
) Y (
ˆ1 XY Dev
) X ( Dev t s
ˆ1 10;0,05
2
n s RSS
10
Dalla relazione si ricava Allora
Quindi l’intervallo ha per estremi cioè
L’intervallo in questione non comprende il valore 0.
In base a questa considerazione, è possibile concludere che l’ipotesi H0: β1=0 deve essere rifiutata a favore di H1: β1≠0 ad un livello α=0,10
c) Gli estremi dell’intervallo sono dati da:
524 ,
0 s
73 , 2
524 ,
81250 ,
1 77 ,
1
1,42; 2,12
n
1 h
2 h
2 2 i
2 n , 2
i x x
x x
n s 1
t yˆ
TSS
R2 1 RSS RSS (1 R2)TSS 2,7485
11
dove
L’intervallo è
12 n
2 x
4 , 2 x
45 , 7 )
X ( Dev x
x
524 ,
0 s
2281 ,
2 t
4 , 3 )
2 X
| Y ( E y
ˆ
i n
1 h
2 h
10 , 025 , 0
i i
3,022; 3,778
12
Esercizio 2
Si stima un modello di regressione lineare semplice del tipo Y= β0+ β1X per indagare la dipendenza lineare delle vendite annuali (Y, in migliaia di euro) di una catena di n=14 negozi dalla superficie (X, in metri quadri) dei negozi stessi.
La seguente tabella riporta i risultati della stima.
(a) Stimare le vendite medie per i negozi con una superficie di 35 metri quadri
(b) Al livello di significatività α=0,10 verificare l’ipotesi di assenza di dipendenza lineare delle vendite dalla superficie
(c) Al livello di significatività α=0,05 verificare l’ipotesi che la retta di regressione passi per l’origine degli assi.
Coefficiente Stima Errore standard
β0 0,964 0,526
β1 1,670 0,157
13
(a)
Le vendite medie per X=35 sono date da:
Questo indica che la media delle vendite annuali dei negozi di 35 mq è pari a 59414 €
(b)
Il valore della statistica test è
Poiché 10,64>1,7823 si rifiuta H0: β1=0 e si accetta H1: β1≠0 (p- value=0,00).
414 ,
59 ˆ 35
y ˆ
ˆi 0 1
64 , ) 10
B ( s t ˆ
1 1
10
t10;0,05 =1,7823 -t10;0,05=-1,7823
C’è evidenza di una
relazione di dipendenza lineare delle vendite dalla superficie dei negozi
14
(c)
Il valore della statistica test è
Poiché -2,2281 < 1,83 < 2,2281 l’ipotesi H0: β0=0 contro l’alternativa bilaterale non può essere rifiutata (p-
value=0,097).
Accettare l’ipotesi nulla corrisponde a considerare che la
relazione di dipendenza lineare nella popolazione è descritta da una retta che passa per l’origine.
83 , ) 1
B ( s t ˆ
0 0
10
t10;0,025 =2,2281 -t10;0,025=-2,2281
15
Esercizio 3
Sulla base di n= 17 osservazioni campionarie si è stimato un modello di regressione lineare in cui il reddito familiare (Y) è espresso in funzione del numero di componenti (X).
Completare la seguente tabella ANOVA:
a) Al livello α=0,05 verificare la significatività della relazione di dipendenza lineare del reddito dal numero di componenti b) Ricavare R2.
Fonte della
variazione Somma dei quadrati (Devianza)
Gradi di
libertà
Media dei quadrati (Varianza)
Statistica F
Regressione 3,8 ? ? F=?
Errore ? ? 1,8
Totale ? ?
16
La tavola ANOVA risultante è
Fonte della
variazione Somma dei quadrati (Devianza)
Gradi di
libertà Media dei quadrati (Varianza)
Statistica F
Regressione 3,8 1 3,8 2,11
Residuo 27,0 15 1,8
Totale 30,8 16
(a)
Poiché 2,11 < 4,54 si accetta H0: β1=0 contro H1: β1≠0 (p-value=0,167).
La relazione di dipendenza lineare di Y da X non è significativa.
(b)
12 , 8 0
, 30
8 ,
2 3
TSS R ESS
F1,15;0,05=4,54
17
Esercizio 4
Si stima un modello di regressione multipla dove la variabile risposta è la media mensile di utilizzo del cellulare (in minuti) Le variabili esplicative sono:
BOLLETTA (Costo medio mensile delle telefonate, in euro) LAVORO (Percentuale di utilizzo per uso lavoro)
REDDITO (Reddito familiare mensile, in migliaia di euro) Si ottengono i seguenti risultati:
Statistica della regressione
R multiplo 0,540
R al quadrato 0,292 R al quadrato corretto 0,283 Errore standard 39,424
Osservazioni 250
ANALISI VARIANZA
gdl SQ MQ F p-value
Regressione 3 157695,699 52565,233 33,821 0,000 Residuo 246 382340,714 1554,231
Totale 249 540036,413
18
a) Aumentando di un euro il costo medio della bolletta (tenendo costante il valore delle altre variabili) di quanto aumenta la media mensile di utilizzo del cellulare?
b) Considerando un livello di significatività α=0,10 indicare quali sono le variabili esplicative che presentano un
coefficiente di regressione significativamente diverso da zero c) Ad un livello di confidenza pari a 1-α=0,95 il coefficiente di
regressione della var. BOLLETTA può essere pari a 1,2?
d) La bontà di adattamento del modello è molto elevata?
e) Si può rifiutare l’ipotesi nulla che i coefficienti di regressione siano tutti uguali a zero per α=0,05?
Coefficienti Errore
standard Stat t p-
value Inferiore
95% Superiore 95%
Intercetta 29,625 15,503 1,911 0,057 -0,910 60,161
BOLLETTA 0,885 0,147 6,016 0,000 0,595 1,175
LAVORO 0,536 0,323 1,662 0,098 -0,099 1,172
REDDITO 0,956 0,233 4,112 0,000 0,498 1,414
19
a) L’effetto di un aumento di un euro del costo medio della bolletta sulla media mensile di utilizzo del cellulare
(tenendo costante il valore delle altre variabili) si legge dal valore del coefficiente della variabile BOLLETTA. In questo caso la media mensile di utilizzo del cellulare subisce un incremento di 0,885 minuti
b) Al livello di significatività α=0,10 i coefficienti di tutte le variabili esplicative e anche quello dell’intercetta sono significativamente diversi da zero, poiché il loro p-value è minore di 0,10
c) Al livello 1-α=0,95 il coefficiente di regressione della var.
BOLLETTA non può essere pari a 1,2. La stima intervallare di tale coefficiente (0,595; 1,175) non comprende, infatti, il valore 1,2
d) La bontà di adattamento del modello non è molto elevata, in quanto la variabilità spiegata dal modello (misurata da R2) è pari al 29,2%
e) L’ipotesi nulla che tutti i coefficienti di regressione siano simultaneamente uguali a zero si può rifiutare, visto che il valore F della tavola ANOVA ha associato un p-value pari a zero
20
Introduzione di una o più variabili dummy
Per stimare la domanda di gelato possiamo
ipotizzare che, oltre al prezzo e alla temperatura, la quantità venduta di gelato dipenda anche dal giorno della settimana. Ci aspettiamo che le
vendite siano maggiori nei fine settimana rispetto agli altri giorni. Questa indicazione ci sarebbe
molto utile per fissare la produzione nei diversi giorni della settimana.
Introduciamo nel modello come terza variabile esplicativa una variabile dummy X3 (GIORNO)
21
ven) al
lun (dal
altrimenti 0
dom) o
(sab ana
finesettim se
X3 1
22
Modello stimato:
Il coefficiente , così come gli altri, è stimato con il metodo dei minimi quadrati.
Rappresenta la differenza tra le vendite medie
giornaliere di gelato quando X3=1 (finesettimana) e le vendite medie giornaliere quando X3=0 (dal lun al
ven), se il prezzo e la temperatura rimangono costanti
Interpretazione del coefficiente della variabile dummy
3 3 2
2 1
1
0 ˆ X ˆ X ˆ X
Y ˆ
ˆ
X3 Modello stimato finesettimana 1
da lun a ven 0
3 2
2 1
1
0 ˆ X ˆ X ˆ
Y ˆ
ˆ
2 2 1
1
0 ˆ X ˆ X
Y ˆ
ˆ ˆ3
23
Il coefficiente della variabile dummy GIORNO è significativamente diverso da 0 (p-value=0,006).
Conoscere il giorno (se dal lun al ven oppure
sab/dom) è utile per spiegare la variazione nei valori campionari delle vendite, se il prezzo e la temperatura sono noti
A parità di prezzo e temperatura, le vendite stimate nei fine settimana sono in media superiori di 0,607 kg rispetto agli altri giorni della settimana
Coefficienti Errore standard Stat t p-value
Intercetta 6,123 0,649 9,433 0,000
PREZ (X1) -0,165 0,031 -5,395 0,002
TEMP (X2) 0,272 0,017 15,830 0,000
GIORNO (X3) 0,607 0,144 4,228 0,006
Interpretazione del coefficiente
della variabile dummy
24
Vendite stimate Vendite stimate
Prezzo Temperatura
Differenza=0,607
Differenza=
0,607
A sinistra, la relazione tra VENDITE stimate e PREZZO quando TEMP=29.
A destra, la relazione tra VENDITE stimate e
TEMPERATURA quando PREZ=15.
In blu la retta quando GIORNO=1 (sab-dom), in rosso la retta quando GIORNO=0 (lun-ven)
Interpretazione del coefficiente della variabile dummy
3 ˆ
25
Statistica della regressione
R multiplo 0,990
R al quadrato 0,981 R al quadrato
corretto 0,971
Errore standard 0,213
Osservazioni 10
ANALISI VARIANZA
gdl SQ MQ F p-value
Regressione 3 13,911 4,637 101,986 0,000
Errore 6 0,273 0,045
Totale 9 14,184
Coeffici
enti Errore
standard Stat t p-value Inferiore
95% Superiore 95%
Intercetta 6,123 0,649 9,433 0,000 4,534 7,711
PREZ -0,165 0,031 -5,395 0,002 -0,240 -0,090
TEMP 0,272 0,017 15,830 0,000 0,230 0,314
GIORNO 0,607 0,144 4,228 0,006 0,256 0,959
Riepilogo output
26
Nel complesso, con l’inserimento della
variabile qualitativa X
3(GIORNO), il modello migliora il suo adattamento
Rispetto al modello con solo prezzo e temperatura come variabili esplicative:
R
2corretto è più alto
l’errore standard s della regressione è più piccolo
gli errori standard dei coefficienti stimati sono più piccoli
Valutazione del modello con la
variabile dummy
27
Un altro fattore che potrebbe influenzare le
vendite di gelato sono le condizioni del tempo.
Immaginiamo di voler distinguere tra le tre condizioni di “sereno”, “coperto”, “piovoso”.
Dobbiamo introdurre nel modello due variabili dummy
Se le modalità della variabile qualitativa sono più di due?
altrimenti 0
"
sereno
"
se X4 1
altrimenti 0
"
coperto
"
se X5 1
28
Le due variabili X
4e X
5servono per specificare le tre condizioni meteorologiche
Due variabili dummy per un carattere con tre modalità
X4 X5 Modello stimato
sereno 1 0
coperto 0 1
piovoso 0 0
“piovoso” è la categoria di riferimento (quella per la quale le variabili dummy valgono entrambe 0)
4 3
3 2
2 1
1
0 ˆ X ˆ X ˆ X ˆ
Y ˆ
ˆ
5 3
3 2
2 1
1
0 ˆ X ˆ X ˆ X ˆ
Y ˆ
ˆ
3 3 2
2 1
1
0 ˆ X ˆ X ˆ X
Y ˆ
ˆ
29
Interpretazione dei coefficienti
X4 X5 Modello stimato
sereno 1 0
coperto 0 1
piovoso 0 0
stima la differenza nelle vendite medie tra
giorni sereni (X4=1) e giorni piovosi (la categoria di riferimento)
stima la differenza nelle vendite medie tra
giorni coperti (X5=1) e giorni piovosi (la categoria di riferimento)
4 3
3 2
2 1
1
0 ˆ X ˆ X ˆ X ˆ
Y ˆ
ˆ
5 3
3 2
2 1
1
0 ˆ X ˆ X ˆ X ˆ
Y ˆ
ˆ
3 3 2
2 1
1
0 ˆ X ˆ X ˆ X
Y ˆ
ˆ
ˆ4
ˆ5
30
Esercizio – Regressione multipla
Su un campione di n=391 automobili si stima un modello di regressione multipla
Var. risposta: CONSUMO (Km/l) Var. esplicative:
•MOTORE (Cilindrata in cm3)
•CV (Potenza in Cavalli Vapore)
•PESO
•ACCEL (Accelerazione, secondi per passare da 0 a 100 km/h))
La var. ORIGINE (Nazione produttrice) presentava tre modalità: ITALIA, EUROPA, GIAPPONE
Si introducono due variabili dummy
•ORIGINE1 (=1 per auto italiane)
•ORIGINE2 (=1 per auto europee non italiane) (la categoria di riferimento è “auto giapponesi”
31
Esercizio – Risultati regressione multipla
Statistica della regressione
R multiplo 0,846
R al quadrato 0,716
R al quadrato corretto 0,712
Errore standard 4,176
Osservazioni 391
ANALISI VARIANZA
gdl SQ MQ F p-value
Regressione 6 16882,010 2813,668 161,372 0,000 Residuo 384 6695,402 17,436
Totale 390 23577,412
Coefficienti Errore
standard Stat t p-value Inferiore 95% Superiore 95%
Intercetta 41,558 2,262 18,376 0,000 37,112 46,005
MOTORE 0,002 0,007 0,214 0,830 -0,013 0,016
CV -0,067 0,017 -3,899 0,000 -0,100 -0,033
PESO -0,014 0,002 -5,738 0,000 -0,019 -0,009
ACCEL -0,123 0,125 -0,987 0,324 -0,369 0,122
ORIGINE1 -2,805 0,695 -4,034 0,000 -4,171 -1,438
ORIGINE2 -1,751 0,702 -2,495 0,013 -3,131 -0,371
32
Esercizio
a) Considerando un livello di significatività α=0,05 indicare quali sono le variabili esplicative che presentano un coefficiente di regressione
significativamente diverso da zero
b) Ad un livello di confidenza pari a 1-α=0,95 il coefficiente di regressione della var. PESO può essere di segno positivo?
c) La bontà di adattamento del modello è sufficientemente elevata?
d) Si può accettare l’ipotesi nulla che i coefficienti di regressione siano tutti uguali a zero per α=0,01?
e) Tenendo fisse le altre var. esplicative, qual è la differenza nel consumo medio tra auto italiane e auto giapponesi?