Research & Evidence

Cerca un metodo

Cerca tra titoli, domande, territori e identificativi MSC.

    ← Tutti i metodi
    SCHEDA METODOMSC-P-019Regressione ed econometriaDossier scientifico verificato

    Come diagnosticare una regressione di marketing prima di interpretarla?

    La diagnostica esamina forma funzionale, residui, eteroschedasticità, collinearità, influenza, dipendenza temporale e stabilità fuori campione prima di leggere i coefficienti.

    Redazione scientifica: Marketing Science Center

    Risposta diretta

    Determinare quali interpretazioni restano compatibili con la diagnostica.

    La diagnostica esamina forma funzionale, residui, eteroschedasticità, collinearità, influenza, dipendenza temporale e stabilità fuori campione prima di leggere i coefficienti.

    Shmueli, 2010Arnold et al., 2020

    01

    Sintesi operativa

    Domanda scientifica e perimetro

    Come diagnosticare una regressione di marketing prima di interpretarla?

    Ammissibile

    Determinare quali interpretazioni restano compatibili con la diagnostica.

    Vietato

    Validare un modello dal solo R².

    02

    Tre livelli di lettura

    1. 01

      Decisore — Collegare il risultato a decisione, soglia utile e costo dell’errore dichiarati.

    2. 02

      Professionista — Fissare popolazione, unità, orizzonte, variabili disponibili e regola di analisi prima del calcolo.

    3. 03

      Analista — Riprodurre il calcolo, quantificare l’incertezza e documentare diagnostica, fallimenti e sensibilità.

    03

    Situazione marketing concreta

    La diagnostica esamina forma funzionale, residui, eteroschedasticità, collinearità, influenza, dipendenza temporale e stabilità fuori campione prima di leggere i coefficienti.

    04

    Domanda scientifica e perimetro

    Come diagnosticare una regressione di marketing prima di interpretarla?

    Evidenza diagnostica

    Dati necessari

    Osservazione × residuo

    Popolazione, unità di analisi, data di origine e orizzonte devono essere dichiarati nel risultato. Senza di essi l’estimando cambia silenziosamente.

    05

    Perché un’analisi semplice può fallire

    • Validare un modello dal solo R².
    • Residui, leverage e distanza di Cook sono definiti per il modello e la dipendenza esatti?
    • L’holdout è stato escluso da ogni selezione di modello e specificazione?
    • La sensibilità a eliminazione e riadattamento cambia materialmente la quantità decisionale?

    06

    Intuizione del metodo

    Il metodo non trasforma automaticamente un’associazione in evidenza. Collega una domanda dichiarata a estimando, specificazione, dati compatibili e regola interpretativa limitata.

    Evidenza diagnostica

    07

    Dati necessari

    Dizionario dei simboli scientifici

    r_i
    Residuo standardizzato dell’osservazione o cluster i nel modello dichiarato. Unità: deviazione standard · Tipo: numero · Ruolo: diagnostico
    h_i
    Leverage dell’osservazione o cluster i nella matrice di disegno dichiarata. Unità: adimensionale · Tipo: numero in [0, 1] · Ruolo: diagnostico
    D_i
    Distanza di Cook dell’osservazione o cluster i nel modello dichiarato. Unità: adimensionale · Tipo: numero non negativo · Ruolo: diagnostico
    RMSE_holdout
    Radice dell’errore quadratico medio di previsione sulle osservazioni escluse dall’adattamento. Unità: risultato · Tipo: numero non negativo · Ruolo: diagnostico

    Input esatti e sigillati del motore

    residual_mean
    Valore: 0.02 · Unità: risultato · Tipo: numero · Stato dei dati: sintetico
    residual_sd
    Valore: 1.20 · Unità: risultato · Tipo: numero · Stato dei dati: sintetico
    maximum_absolute_standardized_residual
    Valore: 2.40 · Unità: adimensionale · Tipo: numero · Stato dei dati: sintetico
    maximum_leverage
    Valore: 0.08 · Unità: adimensionale · Tipo: numero · Stato dei dati: sintetico
    maximum_cooks_distance
    Valore: 0.06 · Unità: adimensionale · Tipo: numero · Stato dei dati: sintetico
    sample_size
    Valore: 100 · Unità: osservazione · Tipo: intero · Stato dei dati: sintetico
    parameter_count
    Valore: 5 · Unità: parametro · Tipo: intero · Stato dei dati: parametro dichiarato
    cluster_count
    Valore: 30 · Unità: gruppo · Tipo: intero · Stato dei dati: sintetico
    holdout_rmse
    Valore: 1.35 · Unità: risultato · Tipo: numero · Stato dei dati: sintetico

    08

    Modello formale

    Modello formale

    Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivity

    Affermazioni supportate: MSC-P019-C01 · MSC-P019-C02 · MSC-P019-C03 · MSC-P019-C04 · MSC-P019-C05

    Domanda scientifica e perimetro

    Evidenza diagnostica

    09

    Calcolo dichiarato

    1. 01

      Fissare modello, definizione dei residui, struttura dei cluster e split holdout prima di esaminare gli estremi.

    2. 02

      Riportare media/SD dei residui, massimo residuo standardizzato assoluto, leverage, distanza di Cook e RMSE holdout senza soglie universali.

    3. 03

      Richiedere riadattamento per eliminazione di caso/cluster e sensibilità della quantità decisionale prima di definire un punto influente.

    10

    Esempio numerico o caso applicativo

    Illustrazione sintetica — valori didattici, non osservati — dati sintetici o parametri dichiarati; nessuna osservazione reale

    Input sigillati

    • residual_mean=0.02 [risultato]
    • residual_sd=1.20 [risultato]
    • maximum_absolute_standardized_residual=2.40 [adimensionale]
    • maximum_leverage=0.08 [adimensionale]
    • maximum_cooks_distance=0.06 [adimensionale]
    • sample_size=100 [osservazione]
    • parameter_count=5 [parametro]
    • cluster_count=30 [gruppo]
    • holdout_rmse=1.35 [risultato]

    Risultati riproducibili

    • descriptive_max_standardized_residual=2.4
    • descriptive_max_leverage=0.08
    • descriptive_max_Cook_D=0.06
    • holdout_RMSE=1.35

    Dossier verificato: affermazioni collegate a fonti a livello di passaggio, calcolo Python/R riprodotto, limiti espliciti e revisione scientifica indipendente completata.

    11

    Ipotesi di validità

    • Residui, leverage e distanza di Cook sono definiti per il modello e la dipendenza esatti?
    • L’holdout è stato escluso da ogni selezione di modello e specificazione?
    • La sensibilità a eliminazione e riadattamento cambia materialmente la quantità decisionale?

    12

    Diagnostica e incertezza

    Diagnostica e incertezza

    Residui, leverage e distanza di Cook sono definiti per il modello e la dipendenza esatti? · L’holdout è stato escluso da ogni selezione di modello e specificazione? · La sensibilità a eliminazione e riadattamento cambia materialmente la quantità decisionale?

    Diagnostica limitata

    Ispezione descrittiva senza soglia universale; una conclusione d’influenza richiede sensibilità al riadattamento per eliminazione.

    Contratto esplicito d’incertezza · not_estimable_from_sealed_inputs

    Metodo: Valutazione esplicita della non stimabilità rispetto allo schema di input sigillato.

    Obiettivo: Incertezza e sensibilità decisionale della diagnostica di regressione.

    Evidenza del motore: diagnostic=descriptive_inspection_only_no_universal_cutoff_influence_conclusion_requires_case_deletion_refit_sensitivity

    Interpretazione: Gli estremi sigillati e un solo RMSE holdout non forniscono distribuzioni di riadattamento; servono riadattamenti per eliminazione.

    Fermarsi se

    Validare un modello dal solo R².

    13

    Interpretazione del risultato

    • Determinare quali interpretazioni restano compatibili con la diagnostica.
    • Il risultato è condizionato da popolazione, orizzonte, specificazione e controlli dichiarati. Non va esteso a un’altra decisione senza nuova giustificazione.

    14

    Conclusione ammissibile e vietata

    Ammissibile

    Determinare quali interpretazioni restano compatibili con la diagnostica.

    Vietato

    Validare un modello dal solo R².

    15

    Decisione marketing possibile

    1. 01

      Determinare quali interpretazioni restano compatibili con la diagnostica.

    2. 02

      Il risultato è condizionato da popolazione, orizzonte, specificazione e controlli dichiarati. Non va esteso a un’altra decisione senza nuova giustificazione.

    16

    Quando usare — quando fermarsi

    Usare se

    Determinare quali interpretazioni restano compatibili con la diagnostica.

    Osservazione × residuo

    Fermarsi se

    Validare un modello dal solo R².

    Alternative metodologiche

    • Usare regressione robusta e confrontare quantità decisionali tra specificazioni.
    • Usare riadattamento con eliminazione di cluster o leave-one-group-out per dipendenza raggruppata.
    • Usare grafici dei residui e falsificazioni specifiche del dominio invece di soglie numeriche universali.

    17

    Contratto di riproducibilità

    Python e R sono i riferimenti eseguibili. SPSS e SAS restano sintassi secondarie finché non sono verificati sugli stessi dati, specificazione e controlli.

    Il motore seleziona solo lo slice e il ramo esplicito di questa pagina. Hash, output e diagnostica restano sigillati nel dossier atomico; non è consentito alcun ramo generico di ripiego.

    Impronta dello slice: fe38d763c26218df98d157e806962f0ec5f9b9a4baeca89b39123cc1db00b769

    Modello formale

    Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivity

    Dossier verificato: affermazioni collegate a fonti a livello di passaggio, calcolo Python/R riprodotto, limiti espliciti e revisione scientifica indipendente completata.

    18

    Risultato finale atteso

    1. 01

      Come diagnosticare una regressione di marketing prima di interpretarla? — Osservazione × residuo

    2. 02

      r_i · h_i · D_i · RMSE_holdout

    3. 03

      Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivity

    4. 04

      Residui, leverage e distanza di Cook sono definiti per il modello e la dipendenza esatti? · L’holdout è stato escluso da ogni selezione di modello e specificazione? · La sensibilità a eliminazione e riadattamento cambia materialmente la quantità decisionale?

    5. 05

      Determinare quali interpretazioni restano compatibili con la diagnostica. / Validare un modello dal solo R².

    19

    Fonti scientifiche e stato dell’evidenza

    Dossier verificato: affermazioni collegate a fonti a livello di passaggio, calcolo Python/R riprodotto, limiti espliciti e revisione scientifica indipendente completata.

    1. MSC-P019-C01 — L’accuratezza predittiva va valutata su osservazioni escluse dall’adattamento.
    2. MSC-P019-C02 — L’adattamento di una regressione non stabilisce da solo un disegno causale.
    3. MSC-P019-C03 — La diagnostica d’influenza riguarda osservazioni o cluster nel modello dichiarato.
    4. MSC-P019-C04 — La diagnostica per eliminazione dipende dall’unità osservazionale rimossa.
    5. MSC-P019-C05 — La distanza di Cook è una diagnostica d’influenza, non un verdetto di validità del modello.
    1. Shmueli, 2010
    2. Arnold et al., 2020
    3. Zhu, Ibrahim & Cho, 2012

    Connessioni metodologiche

    Territorio principaleModelli di risposta marketing: forma, ritardo e saturazione

    Da leggere dopo

    MSC-P-018Regressione predittiva o causale: cosa si vuole stimare?→MSC-P-022Come stimare l’elasticità al prezzo e la sua incertezza?→MSC-P-026Logit vs Probit: come scegliere per una probabilità di acquisto?→