Calcolatrice gratuita Editverse

Calcolatrice di regressione lineare multipla

Adatta un risultato continuo a più predittori contemporaneamente, leggi ciascun coefficiente come un effetto aggiustato e copia l'esatto comando R che ha generato il risultato. Una guida completa all'interpretazione segue qui sotto. Validato con R 4.3.3.

In parole semplici

La regressione lineare multipla stima come una variabile dipendente continua cambi al variare simultaneo di diverse variabili predittive. Ogni coefficiente rappresenta la variazione media della variabile dipendente per un aumento di un'unità in quella variabile predittiva, mantenendo le altre costanti: si tratta dell'effetto "aggiustato" che un semplice confronto tra due variabili non è in grado di fornire.

Il modello riporta anche R² , la quota di varianza del risultato spiegata congiuntamente dai predittori, e un valore p per ciascun coefficiente. Insieme, questi elementi indicano non solo se un predittore è rilevante, ma anche quanto influenza il risultato una volta tenuto conto delle altre variabili.

Quando utilizzare la regressione lineare multipla

La regressione lineare multipla è indicata quando la variabile dipendente è continua e si desidera valutare il contributo indipendente di ciascun predittore dopo aver tenuto conto degli altri, ad esempio, per modellare la pressione sanguigna in base a età, BMI e assunzione di sodio contemporaneamente. Questo metodo permette di separare l'effetto di un singolo predittore dall'effetto confondente delle variabili adiacenti, cosa impossibile con un'analisi un predittore alla volta.

Se la variabile dipendente è binaria, utilizza la regressione logistica ; per un singolo predittore, una semplice correlazione potrebbe essere sufficiente. Riporta ciascun coefficiente con il suo intervallo di confidenza al 95% , non solo il suo valore p. Non sai quale modello si adatta al tuo progetto? Il nostro strumento interattivo di selezione dei test può aiutarti a trovarlo.

Regressione lineare multipla Modellazione lineare multivariata · convalidata rispetto a R 4.3.3
Guida utente

Quando utilizzarlo. Modella un risultato continuo a partire da più predittori contemporaneamente; leggi ciascun coefficiente come l'effetto aggiustato.

Presupposti. Linearità, errori indipendenti, varianza costante, residui normali, assenza di multicollinearità significativa.

Errori comuni. Evitare di includere più predittori di quanti il ​​campione possa supportare; verificare i fattori di inflazione della varianza.

Esempio pratico

Fai clic su "Carica dati di esempio" qui sopra, quindi su "Esegui analisi" per visualizzare un risultato completo con grafico, formula e interpretazione per questo test.

Referenze
  1. Draper NR, Smith H. Analisi di regressione applicata. 3a ed. 1998.

Esempi lavorati

Esempio 1 — Due fattori predittivi di un risultato

Supponiamo che un modello preveda un punteggio di qualità della vita a partire da una dose di trattamento e da una valutazione di gravità iniziale, stimato come ŷ = 8.4 + 1.9·dose − 0.6·gravità. Il coefficiente di dose pari a 1.9 significa che, mantenendo fissa la gravità iniziale, ogni unità di dose aggiuntiva è associata a un punteggio superiore di 1.9 punti in media. Il coefficiente di gravità negativo indica che una maggiore gravità iniziale prevede un punteggio inferiore una volta tenuto conto della dose.

Esempio 2 — Lettura di R² e significatività

Se lo stesso modello riporta R² = 0.62, i due predittori insieme spiegano il 62% della variazione del punteggio; il restante 38% non è spiegato. Un coefficiente è considerato statisticamente significativo in base al suo valore p e all'intervallo di confidenza: un intervallo che esclude lo zero indica che l'effetto corretto è distinguibile dall'assenza di effetto al livello scelto.

Presupposti da verificare

Linearità e additività. Il risultato è modellato come una funzione additiva lineare dei predittori. Le relazioni curve richiedono trasformazioni o termini polinomiali, e le interazioni reali devono essere inserite esplicitamente.

Errori indipendenti, a varianza uguale e con distribuzione normale. I residui dovrebbero essere indipendenti, presentare una dispersione approssimativamente costante tra i valori stimati (omoschedasticità) ed essere approssimativamente normali. Rappresentare graficamente i residui in funzione dei valori stimati e utilizzare un grafico quantile normale per la verifica.

Nessuna multicollinearità grave, dimensione del campione adeguata. I predittori altamente correlati gonfiano gli errori standard; effettuare uno screening con fattori di inflazione della varianza. È inoltre necessario un numero sufficiente di osservazioni per ciascun predittore: un numero eccessivo di termini rispetto alla dimensione del campione produce coefficienti instabili e sovradattati.

Errori comuni

Sovradimensionamento con troppi predittori

L'aggiunta di predittori non supportati dal campione aumenta il valore di R² rendendo al contempo i coefficienti instabili. La dimensione del campione, e non una regola empirica fissa, dovrebbe guidare la scelta del numero di termini da includere.

Ignorare la multicollinearità

Quando i predittori sono fortemente correlati, i singoli coefficienti diventano inaffidabili e possono persino cambiare segno. Verifica i fattori di inflazione della varianza prima di interpretare qualsiasi singolo effetto.

Interpretare i coefficienti senza mantenere fissi gli altri

Ciascun coefficiente rappresenta un effetto aggiustato, condizionato dagli altri predittori. Descriverlo come una relazione grezza, non aggiustata, non rispecchia fedelmente ciò che il modello ha stimato.

Saltare la diagnostica residua

Un valore elevato di R² non conferma la validità del modello. La non linearità o la varianza non costante possono celare un buon adattamento; è sempre consigliabile esaminare i grafici dei residui prima di presentare i risultati.

Domande frequenti

In che modo la regressione multipla si differenzia dalla regressione semplice?

La regressione semplice utilizza un solo predittore; la regressione multipla ne utilizza diversi contemporaneamente e riporta ogni effetto corretto per gli altri, separando le influenze sovrapposte.

Che cosa significa coefficiente aggiustato?

Rappresenta la variazione media del risultato per una variazione di un'unità in quel predittore, mantenendo costanti tutti gli altri predittori del modello.

Di quante osservazioni ho bisogno?

Dipende dall'obiettivo: stimare con precisione un singolo coefficiente o prevedere i risultati individuali implicano requisiti diversi. Il conteggio deve basarsi sull'errore standard tollerabile, non su una regola generale che preveda un numero di soggetti per variabile.

Il risultato corrisponde a quello ottenuto con SPSS, R e Stata?

Sì. La calcolatrice utilizza i minimi quadrati ordinari e mostra l'esatto lm() comando per poter riprodurre i coefficienti, R² e i valori p in R.

Referenze

  1. Hanley JA. Regressione lineare semplice e multipla: considerazioni sulla dimensione del campione. J Clin Epidemiol2017;79:112–119. PMID 27393156.
  2. Slinker BK, Glantz SA. La regressione lineare multipla rappresenta un'utile alternativa alle tradizionali analisi della varianza. Am J Physiol. 1988;255(3 Pt 2):R353–367. PMID 3046375.
  3. Draper NR, Smith H. Analisi di regressione applicata. 3a ed. New York: Wiley; 1998.

Hai bisogno di questa analisi per il tuo manoscritto?

I nostri biostatistici con dottorato di ricerca creano il vostro modello di regressione, verificano ogni presupposto, riportano i coefficienti aggiustati con intervalli di confidenza e forniscono tabelle pronte per la pubblicazione con output R riproducibile.

Ottieni assistenza statistica da esperti