\nil dato influenza le assunzioni o il tipo di analisi che sto per condurre?<\/strong>
\nil dato crea un’associazione statistica che senza di esso non comparirebbe?<\/strong><\/p>\n
Prendiamo il caso di seguito riportato.<\/p>\n
In questo caso \u00e8 evidente che, escludendo l’outlier, i dati possano essere modellizzati da una semplice retta con pendenza negativa (linea tratteggiata rossa). Introducendo l’outlier nell’analisi e mantenendo l’assunzione di linearit\u00e0, \u00e8 chiaro che andremmo ad avere un risultato fortemente biased dall’outlier (linea tratteggiata verde), in cui cio\u00e8 il valore della tua Y caler\u00e0 molto di pi\u00f9 all’aumentare di X. Per supportare questo in modo pi\u00f9 “formale” puoi anche condurre un’analisi del “leverage” del dato, un’analisi che ti indica quanto i parametri stimati dalla tua analisi dipendono dall’ipotetico outlier, di cui magari scriver\u00f2 un articolo ad hoc.<\/p>\n La strategia \u00e8: analizzare i dati con il tuo modello lineare escludendo l’outlier e analizzare il dataset completo del suo outlier con un altro modello<\/strong>. Nel nostro esempio quasi certamente un modello esponenziale dovrebbe fare un buon lavoro, come indicato dalla linea tratteggiata azzurra della seguente figura.<\/p>\n In alcuni casi \u00e8 ancora pi\u00f9 evidente che la significativit\u00e0 statistica del test che hai utilizzato \u00e8 conferita dalla presenza dell’outlier, come puoi vedere nella figura sotto.<\/strong><\/p>\n Ciao! Ti serve aiuto? Contattaci [recent_posts number_of_columns=”e.g. 4″ number_of_posts=”e.g. 4″]<\/p>\n","protected":false},"excerpt":{"rendered":"![\"\"](\"https:\/\/www.statsimprove.com\/it\/wp-content\/uploads\/sites\/4\/2019\/05\/outliers-A-1-1024x833.png\")
\nC’\u00e8 un ipotetico outlier, in basso a destra.<\/strong><\/p>\n![\"\"](\"https:\/\/www.statsimprove.com\/it\/wp-content\/uploads\/sites\/4\/2019\/05\/ouliers-c-1024x815.png\")
<\/p>\n![\"\"](\"https:\/\/www.statsimprove.com\/it\/wp-content\/uploads\/sites\/4\/2019\/05\/outliers-B-1024x815.png\")
Si tratta di un’esasperazione del caso visto prima dove la linea verde accentua un’associzione statistica pi\u00f9 lieve, ma quasi certamente presente.
\nIn questo caso \u00e8 evidente che la pendenza della linea e la presenza di un’associazione \u00e8 dovuta esclusivamente alla presenza dell’outlier.<\/strong>
\nLa strategia in questo caso \u00e8 rimuovere l’outlier senza poi andare a fare lo sforzo di modellizzare i dati in un altro modo (non c’\u00e8 niente da modellizzare: \u00e8 evidente che il valore di Y non camba al variare del valore di X).
\nAnche in questo caso, tuttavia, rimane buona pratica quella di comunicare la presenza di questo outlier nei risultati dello studio, o comunque nei materiali supplementari.<\/p>\n
\nGianfranco<\/p>\n
\n[contact-form-7 id=”140″ title=”Modulo di contatto 1″]
\n[\/one_half]
\n[\/columns]<\/p>\n