statistics

Multicollinearità, eteroschedasticità, autocorrelazione: tre nomi difficili spiegati semplici (con esempio in R)

Nel corso dei post sulla regressione multipla, sull’analisi della varianza e sulle serie temporali abbiamo incontrato tre termini che sembrano fatti apposta per spaventare il lettore. Multicollinearità, eteroschedasticità, autocorrelazione: se vogliamo convincere qualcuno che la statistica è una materia oscura e inaccessibile, sono le parole magiche da pronunciare. 🙂

Sorpresa: dietro i nomi ci sono tre idee semplici, e soprattutto tre problemi molto concreti. Per vederli all’opera prendiamo il modello che prima o poi costruisce chiunque lavori nel marketing digitale: quante conversioni ci porta ogni euro speso su Google Ads e su Meta? Lo vedremo cadere in tutte e tre le trappole, una dopo l’altra, e impareremo a riconoscerle e a uscirne.

In sintesi: sono tre problemi diversi della regressione. La multicollinearità riguarda i predittori: due o più variabili esplicative sono fortemente correlate fra loro, e il modello non riesce a separarne gli effetti (coefficienti instabili, a volte col segno sbagliato). L’eteroschedasticità riguarda gli errori: la loro dispersione non è costante, ma cresce o cala con i valori previsti. L’autocorrelazione riguarda ancora gli errori, ordinati nel tempo: l’errore di oggi è legato a quello di ieri. Negli ultimi due casi i coefficienti restano in media corretti, ma errori standard, p-value e intervalli di confidenza diventano inaffidabili. In R si diagnosticano con il VIF, il test di Breusch-Pagan e il test di Durbin-Watson.

Di cosa parleremo:


Il modello: quanto rende ogni euro di pubblicità?

Immaginiamo un e-commerce che da due anni investe ogni settimana su Google Ads e su Meta. Il business cresce, la spesa segue la stagionalità, e nel foglio di calcolo abbiamo 104 righe: per ogni settimana i due budget e le conversioni ottenute. I dati sono simulati, così conosciamo la verità: entrambi i canali funzionano, Google un po’ più di Meta.

Generiamo i dati in R:

library(lmtest)     # test di Breusch-Pagan e di Durbin-Watson
library(sandwich)   # errori standard robusti

simula <- function() {
  settimana <- 1:104
  crescita <- seq(5000, 15000, length.out = 104)          # il business cresce
  stagione <- 1 + 0.35 * sin(2 * pi * settimana / 52)     # alta e bassa stagione
  google <- round(crescita * stagione * exp(rnorm(104, 0, 0.10)))
  meta <- round(0.45 * google * exp(rnorm(104, 0, 0.08)))  # segue Google
  errore <- as.numeric(arima.sim(list(ar = 0.6), 104, sd = 0.12))
  conversioni <- round(exp(0.6 + 0.40 * log(google) + 0.20 * log(meta) + errore))
  data.frame(settimana, google, meta, conversioni)
}

set.seed(114)
dati <- simula()

Le tre trappole sono già scritte in queste righe, anche se ancora non le vediamo: il budget di Meta è fissato come una quota di quello di Google, l’errore è moltiplicativo (cresce con le dimensioni della settimana) e segue un andamento che si trascina da una settimana all’altra. Ora facciamo quello che farebbe chiunque, una regressione delle conversioni sulle due spese:

modello <- lm(conversioni ~ google + meta, data = dati)
summary(modello)
# Coefficients:
#               Estimate Std. Error t value Pr(>|t|)
# (Intercept) 179.480922  19.529960   9.190 5.45e-15 ***
# google        0.030642   0.008473   3.616 0.000468 ***
# meta         -0.024130   0.018618  -1.296 0.197920
#
# Multiple R-squared:  0.5323, Adjusted R-squared:  0.5231
# F-statistic: 57.48 on 2 and 101 DF,  p-value: < 2.2e-16

Leggiamolo come lo leggerebbe un responsabile marketing: ogni 1.000 euro su Google portano circa 31 conversioni. E ogni 1.000 euro su Meta ne tolgono 24. Conclusione ovvia: spegniamo Meta.

Sarebbe un errore costoso, perché nei dati Meta funziona. Il modello nel suo complesso spiega metà della variabilità delle conversioni (R² 0,53, test F con p minuscolo), ma la ripartizione fra i due canali è un’illusione. Benvenuti nella multicollinearità.

Cos’è la multicollinearità?

Parliamo di multicollinearità quando due o più variabili esplicative di un modello di regressione sono fortemente correlate fra loro. Il modello sa che insieme contano, ma non riesce a stabilire quanto conta ciascuna.

Il motivo è intuitivo. Per stimare l’effetto di Meta «a parità di Google», la regressione ha bisogno di settimane in cui Meta varia e Google no. Ma nei nostri dati, quando sale Google sale anche Meta: la correlazione fra le due spese è 0,975. Le settimane utili a distinguere i due effetti sono pochissime, e la stima si regge su quelle poche oscillazioni casuali.

Lo strumento standard per misurare il problema è il VIF, il fattore di inflazione della varianza. Si calcola con una regressione ausiliaria: si spiega un predittore con tutti gli altri e si guarda quanto bene ci si riesce. Se l’R² di questa regressione è alto, il predittore è quasi una copia degli altri:

\(VIF = \frac{1}{1 – R^2_{\text{ausiliario}}}\)

Il nome dice esattamente cosa misura: di quante volte la varianza del coefficiente è gonfiata rispetto al caso di predittori indipendenti. Calcoliamolo:

r2_aux <- summary(lm(google ~ meta, data = dati))$r.squared
r2_aux
# [1] 0.9511464
1 / (1 - r2_aux)
# [1] 20.46933

Il pacchetto car lo calcola direttamente con vif(modello). La regola pratica più diffusa considera preoccupante un VIF sopra 5, grave sopra 10. Il nostro vale 20,5: la varianza delle stime è venti volte quella che avremmo con due canali indipendenti, e l’errore standard (la sua radice) più di quattro volte.

Che cosa significa, in pratica? Lo vediamo ripetendo lo stesso esperimento 500 volte: stesse regole, stessi effetti veri, solo un’estrazione casuale diversa.

set.seed(2026)
stime <- t(replicate(500, {
  d <- simula()
  1000 * c(coef(lm(conversioni ~ google + meta, data = d))[2:3],
           totale = coef(lm(conversioni ~ I(google + meta), data = d))[[2]])
}))
mean(stime[, "meta"] < 0)
# [1] 0.146
cor(stime[, "google"], stime[, "meta"])
# [1] -0.9068232
A sinistra la spesa settimanale su Google Ads e su Meta: i punti stanno quasi su una retta, correlazione 0,98. A destra le stime dei due effetti in 500 ripetizioni dello stesso esperimento: si dispongono lungo una diagonale discendente, perché quando una stima sale l’altra scende. In circa un caso su sette l’effetto di Meta risulta negativo; il punto rosso sono i nostri dati.

Le due stime si contendono lo stesso effetto: quando una sale, l’altra scende (correlazione −0,91 fra le stime). In un caso su sette Meta esce addirittura negativo, e il nostro dataset è proprio uno di quelli. Eppure la somma dei due effetti è stabile: la spesa totale ha una deviazione standard di 2,5 conversioni per 1.000 euro, contro 8,7 per Google e 17,7 per Meta.

Ecco il segno distintivo della multicollinearità: il modello nel complesso funziona, le previsioni sono buone, ma i singoli coefficienti non sono credibili. Spesso si presenta proprio così: R² discreto o alto, test F significativo, e coefficienti con errori standard enormi o segni contrari al buon senso.

Come si risolve?

Non esiste un test che «cura» la multicollinearità, perché non è un difetto del calcolo: è una mancanza di informazione nei dati. Le strade sono quattro.

  • Fare una domanda meno ambiziosa. Se i due budget si muovono insieme, chiediamoci quanto rende la spesa totale. Con lm(conversioni ~ I(google + meta)) otteniamo 13,6 conversioni per 1.000 euro, con un errore standard di 1,3: una stima solida.
  • Procurarsi l’informazione che manca. Per separare i canali servono settimane in cui si muovono in modo indipendente: un esperimento in cui si spegne Meta in alcune aree o in alcune settimane, lo stesso principio del gruppo di controllo che usiamo negli split test SEO. Più dati dello stesso tipo, invece, aiutano poco: se i budget continuano a muoversi insieme, il problema resta.
  • Togliere una delle due variabili, ma con prudenza: Google si prenderebbe anche il merito di Meta, e la stima diventerebbe distorta. È lo stesso meccanismo del confondente che abbiamo visto nella regressione multipla.
  • Usare metodi che accettano un po’ di distorsione in cambio di stabilità, come la regressione ridge, che restringe i coefficienti verso zero. Sono il pane del machine learning, ma rendono meno immediata l’interpretazione.

Da qui in avanti seguiamo la prima strada e lavoriamo con la spesa totale:

dati$spesa <- dati$google + dati$meta
modello_tot <- lm(conversioni ~ spesa, data = dati)

Cos’è l’eteroschedasticità?

Beh, questo termine sembra fatto apposta per spaventare. Ma il concetto, invece, non è poi così complicato.

Eteroschedasticità significa in pratica dispersione disuguale: si ha quando la varianza degli errori di un modello di regressione non è costante, ma cambia al variare dei valori previsti o di una variabile esplicativa. Il caso opposto, quello che i minimi quadrati ordinari presuppongono, si chiama omoschedasticità: errori con la stessa dispersione a tutti i livelli.

Nel marketing l’eteroschedasticità è quasi la regola. Una settimana da 300 conversioni può sbagliare di 30 in più o in meno; una settimana da 600 conversioni, a parità di condizioni, sbaglia di 60. Gli errori crescono con le dimensioni, perché gli effetti sono proporzionali e non additivi. Il modo più semplice per accorgersene è guardare i residui in funzione dei valori previsti: se si allargano a ventaglio, la varianza non è costante.

Per una verifica formale si usa il test di Breusch-Pagan, che controlla se i residui al quadrato si possono spiegare con i predittori. L’ipotesi nulla è l’omoschedasticità:

bptest(modello_tot)
# BP = 9.3544, df = 1, p-value = 0.002224

Con un p-value di 0,002 l’ipotesi di varianza costante non regge.

Cosa succede se la ignoriamo? Qui c’è una buona notizia, che spesso i manuali lasciano in ombra: i coefficienti restano corretti in media. Quello che salta è la stima della loro precisione: gli errori standard calcolati con la formula classica sono sbagliati, e con loro i p-value e gli intervalli di confidenza. Nel nostro caso, gli errori standard robusti, che non presuppongono la varianza costante, sono più grandi del 20% (da 0,00131 a 0,00157):

coeftest(modello_tot, vcov = vcovHC(modello_tot, type = "HC3"))
#               Estimate Std. Error t value  Pr(>|t|)
# (Intercept) 1.7769e+02 2.0789e+01  8.5472 1.310e-13 ***
# spesa       1.3622e-02 1.5723e-03  8.6638 7.273e-14 ***

Come si risolve? Ci sono tre strade, spesso combinabili:

  • usare gli errori standard robusti, come abbiamo appena fatto: la soluzione più semplice, che non cambia le stime ma solo la loro incertezza;
  • trasformare le variabili, tipicamente con i logaritmi, quando gli effetti sono proporzionali;
  • usare i minimi quadrati ponderati, che danno meno peso alle osservazioni più rumorose.

Nel nostro caso la seconda strada è anche la più naturale, perché l’errore è moltiplicativo per costruzione. Passiamo ai logaritmi:

modello_log <- lm(log(conversioni) ~ log(spesa), data = dati)
coef(summary(modello_log))
#              Estimate Std. Error    t value     Pr(>|t|)
# (Intercept) 0.2257489 0.45602741  0.4950336 6.216411e-01
# log(spesa)  0.5953304 0.04792515 12.4220879 3.942384e-22
bptest(modello_log)
# BP = 1.1777, df = 1, p-value = 0.2778
I residui contro i valori previsti, per il modello lineare (a sinistra) e per quello sui logaritmi (a destra). Nel primo la nuvola si allarga verso le settimane più grandi; nel secondo la dispersione è uniforme. Il test di Breusch-Pagan passa da p = 0,002 a p = 0,28.

Il ventaglio si chiude, e il test non trova più nulla. In più il coefficiente ha guadagnato un’interpretazione comodissima: in un modello con i logaritmi da entrambe le parti è un’elasticità. Il valore di 0,595 dice che il 10% di spesa in più porta circa il 5,8% di conversioni in più (1,1 elevato a 0,595 fa 1,058). Nella simulazione il valore vero è 0,6: il modello ci è arrivato vicinissimo.

Cos’è l’autocorrelazione?

Resta l’ultima trappola, la più subdola quando i dati sono ordinati nel tempo.

Si ha autocorrelazione (o correlazione seriale) quando gli errori di un modello di regressione sono correlati fra loro nel tempo: l’errore di un periodo dice qualcosa sull’errore del periodo successivo. Nel caso più comune, l’autocorrelazione positiva di primo ordine, a una settimana andata meglio del previsto tende a seguirne un’altra andata meglio del previsto.

Nel marketing succede di continuo: una campagna di un concorrente, un periodo di prezzi favorevoli, un aggiornamento dell’algoritmo di Google, una buona recensione che circola. Sono tutte cose che il modello non vede e che durano più di una settimana. Gli errori, allora, non saltano a caso sopra e sotto lo zero: restano dalla stessa parte per settimane intere. Il grafico dei residui in ordine di tempo lo mostra a colpo d’occhio:

I residui del modello sui logaritmi, settimana per settimana. Invece di alternarsi a caso sopra e sotto lo zero, formano lunghe sequenze dello stesso segno: l’autocorrelazione al primo ritardo vale 0,59 e la statistica di Durbin-Watson 0,81.

Il test classico è quello di Durbin-Watson. La sua statistica d vale circa 2 in assenza di autocorrelazione, scende verso 0 con autocorrelazione positiva e sale verso 4 con quella negativa. In R non servono più le tavole: il test restituisce direttamente il p-value.

dwtest(modello_log)
# DW = 0.81187, p-value = 2.573e-10
acf(resid(modello_log), plot = FALSE)$acf[2]
# [1] 0.5881333

Una statistica di 0,81 e un’autocorrelazione dei residui di 0,59 fra una settimana e la successiva: il problema c’è, ed è forte. Per serie più lunghe o per autocorrelazioni di ordine superiore (fra un errore e quello di due o più periodi prima) si usano anche la funzione acf() e il test di Ljung-Box, che abbiamo incontrato parlando di serie temporali.

Cosa succede se la ignoriamo? Come per l’eteroschedasticità, le stime restano in media corrette, ma la formula classica degli errori standard presuppone che ogni settimana porti un’informazione indipendente. Con l’autocorrelazione positiva non è così: 104 settimane che si somigliano a gruppi valgono meno di 104 osservazioni indipendenti. Il modello si crede più preciso di quanto sia. Gli errori standard di Newey-West, che tengono conto sia dell’autocorrelazione sia dell’eteroschedasticità, lo mostrano subito:

coeftest(modello_log, vcov = NeweyWest(modello_log))
#             Estimate Std. Error t value  Pr(>|t|)
# (Intercept)  0.22575    1.00072  0.2256     0.822
# log(spesa)   0.59533    0.10624  5.6039 1.791e-07 ***

L’errore standard dell’elasticità passa da 0,048 a 0,106, più del doppio. L’intervallo di confidenza al 95%, che con la formula classica andava da 0,50 a 0,69, si allarga da 0,38 a 0,81. L’effetto della pubblicità resta chiaramente positivo, ma la nostra incertezza su quanto rende è più del doppio di quella che credevamo. Con un effetto più piccolo, la differenza fra le due formule sarebbe quella fra un risultato «significativo» e uno che non lo è.

Come si risolve?

  • usare gli errori standard di Newey-West, come sopra, se interessano soprattutto le stime e la loro incertezza;
  • modellare ciò che manca: spesso l’autocorrelazione nasce da una variabile omessa che si muove lentamente (stagionalità, trend, promozioni), e aggiungerla al modello la riduce;
  • usare modelli che stimano esplicitamente la correlazione fra gli errori, come i minimi quadrati generalizzati (in R gls() del pacchetto nlme, con correlation = corAR1()). Sono i discendenti moderni del metodo in due stadi di Durbin e della procedura di Cochrane-Orcutt.

Che differenza c’è fra i tre problemi?

Arrivati qui, possiamo mettere i tre concetti uno accanto all’altro. La distinzione più importante è dove sta il problema: la multicollinearità riguarda le variabili esplicative, gli altri due riguardano gli errori.

MulticollinearitàEteroschedasticitàAutocorrelazione
Dove sta il problemanei predittori, correlati fra loronegli errori, con varianza non costantenegli errori, correlati nel tempo
Coefficienticorretti in media, ma molto instabilicorretti in mediacorretti in media
Errori standardgrandi (gonfiati)sbagliatidi solito troppo piccoli
Come si riconosceVIF sopra 5-10residui a ventaglio, test di Breusch-Paganresidui a sequenze, test di Durbin-Watson
Rimedi tipicispesa aggregata, esperimenti, ridgelogaritmi, errori standard robustiNewey-West, variabili omesse, gls()

C’è una differenza sottile ma importante fra il primo e gli altri due. Con la multicollinearità gli errori standard sono grandi e lo sanno: il modello ci avverte, a modo suo, che non sa separare gli effetti. Con l’eteroschedasticità e l’autocorrelazione, invece, gli errori standard classici sono sbagliati in silenzio, e spesso nel verso peggiore: ci fanno sembrare più sicuri di quanto siamo. Per questo i test diagnostici non sono un’appendice per pignoli, ma un controllo da fare ogni volta che una regressione deve guidare una decisione.

Domande frequenti

Cosa significa multicollinearità?

Significa che due o più variabili esplicative di un modello di regressione sono fortemente correlate fra loro. Il modello non riesce allora a separarne gli effetti: i coefficienti diventano instabili, hanno errori standard grandi e possono perfino avere il segno sbagliato, anche quando il modello nel complesso prevede bene.

Cosa significa eteroschedasticità?

Significa che la varianza degli errori di un modello di regressione non è costante, ma cambia con i valori previsti o con una variabile esplicativa. È il contrario dell’omoschedasticità. I coefficienti restano in media corretti, ma errori standard, p-value e intervalli di confidenza calcolati con la formula classica diventano inaffidabili.

Che differenza c’è fra multicollinearità e autocorrelazione?

La multicollinearità riguarda le variabili esplicative, correlate fra loro; l’autocorrelazione riguarda gli errori del modello, correlati nel tempo. La prima rende instabili i coefficienti e si misura con il VIF; la seconda rende troppo ottimisti gli errori standard e si verifica con il test di Durbin-Watson.

Che differenza c’è fra eteroschedasticità e autocorrelazione?

Entrambe riguardano gli errori del modello e lasciano in media corretti i coefficienti. L’eteroschedasticità riguarda la loro dispersione, che cambia da un’osservazione all’altra; l’autocorrelazione riguarda il loro legame nel tempo. Possono presentarsi insieme, e gli errori standard di Newey-West tengono conto di entrambe.

Quale valore del VIF indica multicollinearità?

Non c’è una soglia universale. La regola pratica più diffusa considera da tenere d’occhio un VIF sopra 5 e grave un VIF sopra 10. Un VIF di 10 significa che la varianza del coefficiente è dieci volte quella che avrebbe con predittori indipendenti.

Quanto deve valere la statistica di Durbin-Watson?

Circa 2 in assenza di autocorrelazione. Valori vicini a 0 indicano autocorrelazione positiva, valori vicini a 4 autocorrelazione negativa. In R, dwtest() del pacchetto lmtest restituisce anche il p-value, senza bisogno delle tavole.

Prova tu

Il codice dell’articolo si presta a qualche esperimento.

  • Nella funzione simula() si porta la deviazione standard del rumore di Meta da 0,08 a 0,40, così che i due budget si muovano in modo più indipendente. Cosa succede al VIF? E alla quota di stime negative di Meta nelle 500 ripetizioni?
  • Si mette ar = 0 in arima.sim(): la statistica di Durbin-Watson torna vicina a 2? E gli errori standard di Newey-West si avvicinano a quelli classici?
  • Si stima il modello sui logaritmi con entrambi i canali, lm(log(conversioni) ~ log(google) + log(meta)): il problema della multicollinearità sparisce con i logaritmi?

L’ultimo esercizio ha una risposta istruttiva: le trasformazioni curano l’eteroschedasticità, ma non la multicollinearità. Se i due budget si muovono insieme, si muovono insieme anche i loro logaritmi.


Con questo abbiamo gli strumenti per fidarci (o non fidarci) di una regressione. È il momento di metterli al lavoro su un problema SEO molto concreto: costruire un modello del CTR che ci aspettiamo a ogni posizione, e usarlo per scovare le pagine che rendono meno di quanto dovrebbero. È il tema di CTR atteso contro CTR reale, la prossima tappa del nostro viaggio.


Per approfondire

I tre problemi di cui abbiamo parlato sono trattati in profondità in Introduzione all’econometria di Stock e Watson, il testo che consiglio: dedica pagine chiarissime agli errori standard robusti all’eteroschedasticità e a quelli di Newey-West per le serie storiche, sempre partendo da esempi economici concreti.

paolo

Recent Posts

Il mese in cui il modulo non contava: trovare e ricostruire i buchi di tracciamento

Il report di settembre è quasi pronto, e c'è un numero che stona: ad agosto…

5 giorni ago

Quante pagine proteggere in una migrazione? La curva di Lorenz e le soglie del traffico

Il rifacimento del sito è deciso, la data di messa online pure, e prima o…

5 giorni ago

Quando cambia il metro: rotture strutturali nelle metriche SEO

Il report annuale arriva sul tavolo con una buona notizia in prima pagina: la posizione…

6 giorni ago

Le risposte AI di Google ci tolgono clic? Misurarlo con il CTR atteso e un gruppo di controllo

Le guide tecniche di un sito salgono nei risultati di ricerca, compaiono più spesso, e…

7 giorni ago

Quando i clic variano più del previsto: la sovradispersione

Clic e sessioni variano più di quanto la Poisson preveda: come accorgersene in R e…

1 settimana ago

Due anni di dati e una stagionalità da togliere: il confronto anno su anno, fatto bene

Un report annuale si chiude spesso con una riga sola: i clic da Google sono…

2 settimane ago