La regressione lineare multipla consente di esaminare la relazione tra una variabile risposta quantitativa e più predittori, controllando statisticamente gli altri termini presenti nel modello. È uno strumento utile in molte tesi empiriche, ma non è automaticamente adatto a ogni questionario. La selezione delle variabili deve partire dalla domanda e dal disegno di studio, non dalla ricerca del risultato statisticamente più favorevole.
Definire la variabile risposta e i predittori
La variabile dipendente dovrebbe rappresentare l’esito che si desidera spiegare o prevedere, in una scala compatibile con la regressione lineare. I predittori possono essere quantitativi o, con una codifica appropriata, categoriali. Spiega perché ogni variabile entra nel modello e distingui i potenziali fattori confondenti dalle variabili di interesse principale. Un elenco molto lungo di predittori rispetto ai dati disponibili può rendere le stime instabili.
Prima dell’analisi: qualità del database
Controlla unità di misura, range delle risposte, dati mancanti e coerenza della codifica. I nomi delle variabili dovrebbero essere immediatamente riconoscibili e i codici delle categorie documentati. Una regressione calcolata su righe duplicate o su valori inseriti come testo non diventa affidabile per il solo fatto che il programma restituisce una tabella. La guida sulla preparazione del database approfondisce questi controlli.
Verificare linearità, residui e collinearità
L’analisi richiede attenzione alla forma della relazione, alla distribuzione dei residui secondo gli scopi inferenziali, alla variabilità degli errori e all’indipendenza delle osservazioni. Predittori fortemente correlati possono rendere difficile attribuire con precisione un coefficiente a ciascuna variabile. Grafici dei residui e indicatori di collinearità aiutano a individuare problemi, ma non sostituiscono la comprensione del fenomeno studiato.
Leggere coefficienti e intervalli
Un coefficiente non standardizzato descrive la variazione attesa della risposta associata all’aumento unitario del predittore, mantenendo fissi gli altri termini del modello, nelle condizioni previste. La sua interpretazione dipende da unità di misura e codifiche. Gli intervalli di confidenza aiutano a valutare la precisione della stima. Il coefficiente standardizzato può facilitare alcuni confronti, ma non trasforma variabili diverse in grandezze causalmente comparabili.
Che cosa dice R² e che cosa non dice
R² riassume la quota della variabilità osservata della risposta descritta dal modello nel campione. Un valore elevato non dimostra causalità, correttezza delle assunzioni o capacità di generalizzare a nuovi dati. Quando il numero di predittori è rilevante, l’R² corretto può offrire un’informazione aggiuntiva. Se il modello ha scopo predittivo, considera anche la necessità di valutarne le prestazioni su dati non utilizzati nella stima.
Riportare la regressione nella tesi
Nel capitolo dei metodi precisa il criterio di inclusione dei predittori e le verifiche effettuate; nei risultati riporta numerosità, coefficienti, incertezza e indicatori pertinenti; nella discussione interpreta il loro significato con prudenza. La documentazione Jamovi sulla regressione descrive le opzioni disponibili. Per l’ordine di presentazione puoi usare la guida al capitolo dei risultati.
Domande frequenti
La regressione multipla richiede sempre 100 partecipanti?
Non esiste una soglia valida per tutti: numerosità e precisione dipendono da modello, predittori, distribuzioni e obiettivi.
Un coefficiente significativo dimostra un effetto causale?
No. L’interpretazione causale richiede un disegno e assunzioni ulteriori.
Posso includere predittori soltanto perché risultano significativi?
Una selezione guidata esclusivamente dal p-value può introdurre distorsioni; bisogna motivare il modello.