Valutare una linea di tendenza

Tecniche statistiche in Tableau

Maarten Van den Broeck

Content Developer at DataCamp

Modelli lineare e logaritmico

Lineare Modello lineare di ricchezza di specie vs distanza, con linea di tendenza.

Logaritmico Modello lineare di ricchezza di specie vs distanza, con linea logaritmica.

Modello lineare

Modello lineare di ricchezza di specie vs distanza, con linea di tendenza lineare.

$y=a*x+b$
Regressione: quantificare come $x$ fa variare $y$
$a$ = pendenza, $b$ = intercetta
$richness = a * distance + b$
$richness = 0.0038 * distance + 13.4$

Residui e $R^2$ del modello lineare

Modello lineare di ricchezza di specie vs distanza, con linea lineare.

Obiettivo: minimizzare la distanza tra osservazione e linea di tendenza
Questa distanza è chiamata residuo
Coefficiente di determinazione $R^2$
Per il modello lineare, $R^2$ = coefficiente di correlazione al quadrato
Tra 0 (peggio) e 1 (meglio)
$R^2 = 0.33$
Spiega $n\%$ della variazione

$R^2$ del modello logaritmico

Modello lineare di ricchezza di specie vs distanza, con linea logaritmica.

$R^2 = 0.59$

Errore standard residuo (RSE)

Differenza media tra valori osservati e linea di tendenza
Modello lineare: RSE = 3.69
L’intervallo di confidenza è più ampio a distanze basse e alte

Stessa unità dell’asse y
Modello logaritmico: RSE = 2.91
L’intervallo di confidenza è più ampio solo a distanze molto alte

p-value

Modello lineare

p-value = 0.001
Probabilità di $\frac{1}{1000}$ che non ci sia correlazione
p-value < 0.05: il modello è significativo, si adatta bene ai dati

Modello logaritmico

p-value = 0.0001
Probabilità di $\frac{1}{10000}$ che non ci sia correlazione
Più basso è il p-value, meglio è, ma non è tutto!

Ayo berlatih!

Tecniche statistiche in Tableau

Preparing Video For Download...