\nR quadro compreso tra 0.3 e 0.5 vuol dire basso;<\/strong>
\nR quadro compreso tra 0.5 e 0.7 vuol dire moderato;<\/strong>
\nR quadro compreso > 0.7 vuol dire alto.<\/strong><\/p>\n
Andiamo avanti. La domanda \u00e8: quanto deve essere veramente<\/em><\/strong> grande questo R quadro per avere credibilit\u00e0? Ora per\u00f2 andiamo con ordine e cerchiamo di fare luce su come tu possa prendere una decisione su se tenere o buttare via\/rifare il tuo modello di regressione.<\/p>\n Ci sono alcuni ambiti in cui un R quadro \u00e8 risaputamente basso. Si tratta di quei fenomeni complessi in cui la variabilit\u00e0 \u00e8 talmente elevata e il rumore di fondo dato da una serie enormi di fattori \u00e8 cos\u00ec elevato che avere un R quadro anche solo di 0.4 \u00e8 un miracolo. Un esempio sono i dati relativi ad alcuni comportamenti umani rilevati tramite questionario. Per cui, individuare un R quadro basso \u00e8 perfettamente normale e, anzi, un R quadro in linea con la letteratura che trovi in giro sull’argomento ti permette addirittura di confrontare pi\u00f9 agevolmente il tuo modello con altri modelli che trovi in letteratura.<\/p>\n Un R quadro alto, al contrario, non \u00e8 detto che sia necessariamente una notizia positiva. Questo accade quando il tuo R quadro \u00e8 alto ma il tuo modello semplicemente…non \u00e8 lineare! Per cui del tuo R quadro strabiliante non te ne fai niente. Hai cercato di dare una spiegazione lineare al fenomeno e credevi di esserci anche riuscito alla grande; peccato che in natura non tutti i fenomeni sono lineari. E il tuo non lo \u00e8.<\/p>\n Andiamo avanti e cerchiamo di capire ora quanto conta l’uso e la precisione con la quale vuoi usare il tuo modello. Poi, in fondo all’articolo cercheremo di riassumere il tutto attraverso un adeguato diagramma decisionale.<\/p>\n Ci sei? Sei ancora vivo?<\/p>\n Bene. Dai un’occhiata qua sotto.<\/p>\n Hai due grafici. La pendenza della tua linea \u00e8 assolutamente identica, come pure il tuo p-value. Il grafico a sinistra ha un R quadro decismaente alto: 0.85. Quello a sinistra invece \u00e8 molto pi\u00f9 basso: 0.35. La tua conclusione non cambia: il tuo p-value \u00e8 significativo per cui hai trovato una significativit\u00e0 statistica.<\/p>\n Fantastico. Per\u00f2 il tuo modello ovviamente lo dovrai poi “usare”, o comunque proporre al mondo della scienza o dell’industria attraverso la tua bella pubblicazione.<\/p>\n Ora la domanda \u00e8: ok, hai il tuo p value significativo, il modello lo hai costruito in modo corretto e via dicendo, ma la domanda \u00e8: \u00e8 abbastanza preciso? Capisci bene che se il modello ti serve a stimare qualcosa di molto importante (ad esempio la variazione di pressione arteriosa dei tuoi pazienti tu avrai bisogno di un modello molto preciso (per cui ti serve un R quadro decisamente alto). Se invece l’uso che devi farne pu\u00f2 concederti una maggiore spazio di manovra allora potrai concederti stime meno precise (per cui R quadro pi\u00f9 basso) e questo \u00e8 un argomento che puoi far presente ad un ipotetico reviewer.<\/p>\n Cerchiamo di rimanere “pratici”.<\/strong> Non mi voglio soffermare sulle differenze computazionali tra intervalli di confidenza e di predizione. Ti basti sapere che l’intervallo di predizione ti risponde alla domanda che ti stai ponendo: io prendo un paziente esterno al campione usato per sviluppare il modello e che ha determinate caratteristiche. Quale sar\u00e0 l’intervallo con il quale lo posso predire al 95%. So bene che somigli molto ad una ipotetica definizione dell’intervallo di confidenza, ma sappi che sono due cose diverse. L’intervallo di confidenza si riferisce alle stime che il modello fa sui pazienti usati per svilupparlo. L’intervallo di predizione considera un ipotetico nuovo paziente con determinate caratteristiche. Quando hai sviluppato il tuo modello e hai un R quadro alto fai una verifica delle assunzioni del tuo modello (lo dovresti fare comunque sempre) e assicurati che siano rispettate.<\/p>\n Se il tuo R quadro \u00e8 basso: fai una verifica delle assunzioni, cerca in letteratura modelli simili per poter eventualmente verificare che gli “R-quadro circolanti” non siano poi cos\u00ec dissimili dai tuoi. Infine immagina i tuoi ipotetici nuovi pazienti e verifica con quale precisione il modello ne predice la misura in questione (in questo articolo abbiamo fatto l’esempio della pressione arteriosa).<\/p>\n E ora, in bocca al lupo con i tuoi dati.<\/p>\n\n\n Ti serve aiuto? Contattaci.<\/strong> Noi di StatsImprove abbattiamo notevolmente i costi dei servizi di supporto<\/strong> per darne accesso, oltre che alle aziende, anche a gruppi di ricerca universitaria e studenti (dottorandi, specializzandi, laureandi).<\/p>\n\n\n\n Contattaci con un click:
\nDipende fondamentalmente da due cose:<\/p>\n\n
Un R quadro basso non \u00e8 sempre da buttar via<\/h1>\n
![\"\"](\"https:\/\/www.statsimprove.com\/it\/wp-content\/uploads\/sites\/4\/2017\/11\/R-quadro-0.47.png\")
![\"\"](\"https:\/\/www.statsimprove.com\/it\/wp-content\/uploads\/sites\/4\/2017\/11\/R-quadro-0.82.png\")
<\/p>\n
\nPrendiamo ad esempio l’esempio della pressione arteriosa dei tuoi pazienti. Avrai che Y \u00e8 la tua pressione arteriosa e poi una serie di variabili nel modello che rappresentano le condizioni del tuo paziente: sesso, et\u00e0, fumatore si\/no, attivit\u00e0 fisica, peso eccetera.
\nPer riuscire a capire quanto \u00e8 preciso il tuo modello in termini pratici devi simulare le tipologie di pazienti che ti interessano introducendo nel modello i valori delle variabili (ad esempio: peso 82 kg, et\u00e0 52, sesso maschile eccetera) e calcolare la pressione con il suo intervallo di predizione ( attenzione: non quello di confidenza).<\/p>\n
\nUna volta ottenuto il tuo intervallo di predizione puoi essere solo tu a stabilire se l’ampiezza con il quale il modello ti stima la pressione dei tuoi poveri pazienti \u00e8 clinicamente accettabile.<\/p>\nPer concludere<\/h1>\n