Mediante l’analisi di regressione si indagano le relazioni tra più variabili per comprendere e prevedere fenomeni complessi.
Questi modelli possono avere scopi esplicativi (identificare i fattori che influenzano un risultato) oppure predittivi (stimare valori futuri o non osservati).
La nostra esperienza ci consente di supportarvi in tutte le fasi del processo: costruzione, validazione, valutazione e applicazione di modelli di regressione e predizione, sia tradizionali che avanzati.
Tipologie di modelli implementabili
-
Regressione lineare classica (semplice e multipla), per stimare relazioni lineari tra variabili.
-
Modelli lineari generalizzati (GLM), tra cui:
-
Regressione logistica (dati binari o categoriali),
-
Poisson e binomiale negativa (dati di conteggio),
-
Gaussiana inversa, Tweedie, log-lineare (modelli per dati positivi o skewed).
-
-
Modelli misti e ad effetti randomici (GLMM), per dati raggruppati o con variabilità tra soggetti.
-
Generalized Estimating Equations (GEE), per dati longitudinali o correlati nel tempo.
-
Modelli ad equazioni strutturali (SEM / LISREL), per analizzare relazioni causali latenti.
-
Modelli di sopravvivenza, tra cui:
-
Regressione di Cox,
-
Modelli parametrici (esponenziale, Weibull, log-normale).
-
-
Modelli spaziali e spazio-temporali, per analizzare fenomeni con correlazione geografica o temporale.
Supporto e consulenza metodologica
Oltre alla costruzione del modello, possiamo assistervi nella:
-
Scelta del modello più parsimonioso e robusto (tramite criteri AIC, BIC, cross-validation);
-
Valutazione della qualità di adattamento (R², devianza, pseudo-R², indici di concordanza);
-
Identificazione e gestione di outlier e leverage points;
-
Validazione su dati di test e analisi di sensibilità;
-
Visualizzazione dei risultati e interpretazione dei coefficienti;
-
Redazione di report scientifici e tecnici conformi agli standard statistici e attuariali.