<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>serie temporali &#8211; paologironi blog</title>
	<atom:link href="https://www.gironi.it/blog/tag/serie-temporali-it/feed/" rel="self" type="application/rss+xml" />
	<link>https://www.gironi.it/blog</link>
	<description>Appunti sparsi di (retro) informatica, analisi dei dati, statistica, seo, e cose che cambiano</description>
	<lastBuildDate>Mon, 12 Oct 2026 09:01:10 +0000</lastBuildDate>
	<language>it-IT</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>Multicollinearità, eteroschedasticità, autocorrelazione: tre nomi difficili spiegati semplici (con esempio in R)</title>
		<link>https://www.gironi.it/blog/multicollinearita-eteroschedasticita-autocorrelazione/</link>
					<comments>https://www.gironi.it/blog/multicollinearita-eteroschedasticita-autocorrelazione/#respond</comments>
		
		<dc:creator><![CDATA[paolo]]></dc:creator>
		<pubDate>Sun, 17 Oct 2021 16:35:46 +0000</pubDate>
				<category><![CDATA[statistica]]></category>
		<category><![CDATA[autocorrelazione]]></category>
		<category><![CDATA[errore]]></category>
		<category><![CDATA[eteroschedasticità]]></category>
		<category><![CDATA[multicollinearità]]></category>
		<category><![CDATA[omoschedasticità]]></category>
		<category><![CDATA[regressione]]></category>
		<category><![CDATA[serie temporali]]></category>
		<guid isPermaLink="false">https://www.gironi.it/blog/?p=2404</guid>

					<description><![CDATA[Nel corso dei post sulla regressione multipla, sull&#8217;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 &#8230; <a href="https://www.gironi.it/blog/multicollinearita-eteroschedasticita-autocorrelazione/" class="more-link">Leggi tutto<span class="screen-reader-text"> "Multicollinearità, eteroschedasticità, autocorrelazione: tre nomi difficili spiegati semplici (con esempio in R)"</span></a>]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Nel corso dei post sulla <a href="https://www.gironi.it/blog/regressione-multipla-spiegata-semplice/">regressione multipla</a>, sull&#8217;<a href="https://www.gironi.it/blog/lanalisi-della-varianza-anova-spiegata-semplice/">analisi della varianza</a> e sulle <a href="https://www.gironi.it/blog/analisi-delle-serie-storiche0-e-previsioni-di-serie-temporali-in-r-con-il-metodo-holt-winters/">serie temporali</a> 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. 🙂</p>



<p class="wp-block-paragraph">Sorpresa: dietro i nomi ci sono tre idee semplici, e soprattutto tre problemi molto concreti. Per vederli all&#8217;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&#8217;altra, e impareremo a riconoscerle e a uscirne.</p>



<span id="more-2404"></span>



<p class="wp-block-paragraph"><strong>In sintesi:</strong> sono tre problemi diversi della regressione. La <strong>multicollinearità</strong> riguarda i <em>predittori</em>: 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&#8217;<strong>eteroschedasticità</strong> riguarda gli <em>errori</em>: la loro dispersione non è costante, ma cresce o cala con i valori previsti. L&#8217;<strong>autocorrelazione</strong> riguarda ancora gli <em>errori</em>, ordinati nel tempo: l&#8217;errore di oggi è legato a quello di ieri. Negli ultimi due casi i coefficienti restano in media corretti, ma <strong>errori standard, p-value e intervalli di confidenza diventano inaffidabili</strong>. In R si diagnosticano con il VIF, il test di Breusch-Pagan e il test di Durbin-Watson.</p>



<p class="wp-block-paragraph"><strong>Di cosa parleremo</strong>:</p>



<ul class="wp-block-list"><li><a href="#il-modello">Il modello: quanto rende ogni euro di pubblicità?</a></li><li><a href="#multicollinearita">Cos&#8217;è la multicollinearità?</a></li><li><a href="#eteroschedasticita">Cos&#8217;è l&#8217;eteroschedasticità?</a></li><li><a href="#autocorrelazione">Cos&#8217;è l&#8217;autocorrelazione?</a></li><li><a href="#differenze">Che differenza c&#8217;è fra i tre problemi?</a></li><li><a href="#domande-frequenti">Domande frequenti</a></li><li><a href="#prova-tu">Prova tu</a></li><li><a href="#per-approfondire">Per approfondire</a></li></ul>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h2 class="wp-block-heading" id="il-modello">Il modello: quanto rende ogni euro di pubblicità?</h2>



<p class="wp-block-paragraph">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&#8217; più di Meta.</p>



<p class="wp-block-paragraph">Generiamo i dati in R:</p>



<pre class="wp-block-code"><code>library(lmtest)     # test di Breusch-Pagan e di Durbin-Watson
library(sandwich)   # errori standard robusti

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

set.seed(114)
dati &lt;- simula()</code></pre>



<p class="wp-block-paragraph">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&#8217;errore è moltiplicativo (cresce con le dimensioni della settimana) e segue un andamento che si trascina da una settimana all&#8217;altra. Ora facciamo quello che farebbe chiunque, una regressione delle conversioni sulle due spese:</p>



<pre class="wp-block-code"><code>modello &lt;- lm(conversioni ~ google + meta, data = dati)
summary(modello)
# Coefficients:
#               Estimate Std. Error t value Pr(&gt;|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: &lt; 2.2e-16</code></pre>



<p class="wp-block-paragraph">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 <em>tolgono</em> 24. Conclusione ovvia: spegniamo Meta.</p>



<p class="wp-block-paragraph">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&#8217;illusione. Benvenuti nella multicollinearità.</p>



<h2 class="wp-block-heading" id="multicollinearita">Cos&#8217;è la multicollinearità?</h2>



<div class="wp-block-group has-background" style="background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1.5rem;padding-left:1.5rem"><div class="wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow">
<p>Parliamo di <strong>multicollinearità</strong> quando <strong>due o più variabili esplicative di un modello di regressione sono fortemente correlate fra loro</strong>. Il modello sa che <em>insieme</em> contano, ma non riesce a stabilire <em>quanto</em> conta ciascuna.</p>
</div></div>



<p class="wp-block-paragraph">Il motivo è intuitivo. Per stimare l&#8217;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.</p>



<p class="wp-block-paragraph">Lo strumento standard per misurare il problema è il <strong>VIF</strong>, il <em>fattore di inflazione della varianza</em>. Si calcola con una regressione ausiliaria: si spiega un predittore con tutti gli altri e si guarda quanto bene ci si riesce. Se l&#8217;R² di questa regressione è alto, il predittore è quasi una copia degli altri:</p>



<p class="wp-block-paragraph">\(VIF = \frac{1}{1 &#8211; R^2_{\text{ausiliario}}}\)</p>



<p class="wp-block-paragraph">Il nome dice esattamente cosa misura: di quante volte la varianza del coefficiente è gonfiata rispetto al caso di predittori indipendenti. Calcoliamolo:</p>



<pre class="wp-block-code"><code>r2_aux &lt;- summary(lm(google ~ meta, data = dati))$r.squared
r2_aux
# [1] 0.9511464
1 / (1 - r2_aux)
# [1] 20.46933</code></pre>



<p class="wp-block-paragraph">Il pacchetto car lo calcola direttamente con <code>vif(modello)</code>. La regola pratica più diffusa considera preoccupante un VIF sopra 5, grave sopra 10. Il nostro vale <strong>20,5</strong>: la varianza delle stime è venti volte quella che avremmo con due canali indipendenti, e l&#8217;errore standard (la sua radice) più di quattro volte.</p>



<p class="wp-block-paragraph">Che cosa significa, in pratica? Lo vediamo ripetendo lo stesso esperimento 500 volte: stesse regole, stessi effetti veri, solo un&#8217;estrazione casuale diversa.</p>



<pre class="wp-block-code"><code>set.seed(2026)
stime &lt;- t(replicate(500, {
  d &lt;- 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"] &lt; 0)
# [1] 0.146
cor(stime[, "google"], stime[, "meta"])
# [1] -0.9068232</code></pre>



<figure class="wp-block-image size-large"><img decoding="async" src="https://www.gironi.it/blog/wp-content/uploads/2026/10/diagnostica-multicollinearita.png" alt="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."/><figcaption class="wp-element-caption">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&#8217;altra scende. In circa un caso su sette l&#8217;effetto di Meta risulta negativo; il punto rosso sono i nostri dati.</figcaption></figure>



<p class="wp-block-paragraph"><strong>Le due stime si contendono lo stesso effetto</strong>: quando una sale, l&#8217;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.</p>



<p class="wp-block-paragraph">Ecco il segno distintivo della multicollinearità: <strong>il modello nel complesso funziona, le previsioni sono buone, ma i singoli coefficienti non sono credibili</strong>. Spesso si presenta proprio così: R² discreto o alto, test F significativo, e coefficienti con errori standard enormi o segni contrari al buon senso.</p>



<h3 class="wp-block-heading">Come si risolve?</h3>



<p class="wp-block-paragraph">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.</p>



<ul class="wp-block-list"><li><strong>Fare una domanda meno ambiziosa.</strong> Se i due budget si muovono insieme, chiediamoci quanto rende la spesa totale. Con <code>lm(conversioni ~ I(google + meta))</code> otteniamo 13,6 conversioni per 1.000 euro, con un errore standard di 1,3: una stima solida.</li><li><strong>Procurarsi l&#8217;informazione che manca.</strong> 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 <a href="https://www.gironi.it/blog/split-test-seo/">split test SEO</a>. Più dati dello stesso tipo, invece, aiutano poco: se i budget continuano a muoversi insieme, il problema resta.</li><li><strong>Togliere una delle due variabili</strong>, 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.</li><li><strong>Usare metodi che accettano un po&#8217; di distorsione in cambio di stabilità</strong>, come la regressione <em>ridge</em>, che restringe i coefficienti verso zero. Sono il pane del machine learning, ma rendono meno immediata l&#8217;interpretazione.</li></ul>



<p class="wp-block-paragraph">Da qui in avanti seguiamo la prima strada e lavoriamo con la spesa totale:</p>



<pre class="wp-block-code"><code>dati$spesa &lt;- dati$google + dati$meta
modello_tot &lt;- lm(conversioni ~ spesa, data = dati)</code></pre>



<h2 class="wp-block-heading" id="eteroschedasticita">Cos&#8217;è l&#8217;eteroschedasticità?</h2>



<p class="wp-block-paragraph">Beh, questo termine sembra fatto apposta per spaventare. Ma il concetto, invece, non è poi così complicato.</p>



<div class="wp-block-group has-background" style="background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1.5rem;padding-left:1.5rem"><div class="wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow">
<p><strong>Eteroschedasticità</strong> significa in pratica <strong>dispersione disuguale</strong>: si ha quando <strong>la varianza degli errori di un modello di regressione non è costante, ma cambia al variare dei valori previsti o di una variabile esplicativa</strong>. Il caso opposto, quello che i minimi quadrati ordinari presuppongono, si chiama <strong>omoschedasticità</strong>: errori con la stessa dispersione a tutti i livelli.</p>
</div></div>



<p class="wp-block-paragraph">Nel marketing l&#8217;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.</p>



<p class="wp-block-paragraph">Per una verifica formale si usa il <strong>test di Breusch-Pagan</strong>, che controlla se i residui al quadrato si possono spiegare con i predittori. L&#8217;ipotesi nulla è l&#8217;omoschedasticità:</p>



<pre class="wp-block-code"><code>bptest(modello_tot)
# BP = 9.3544, df = 1, p-value = 0.002224</code></pre>



<p class="wp-block-paragraph">Con un p-value di 0,002 l&#8217;ipotesi di varianza costante non regge.</p>



<p class="wp-block-paragraph"><strong>Cosa succede se la ignoriamo?</strong> Qui c&#8217;è una buona notizia, che spesso i manuali lasciano in ombra: <strong>i coefficienti restano corretti in media</strong>. 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 <em>robusti</em>, che non presuppongono la varianza costante, sono più grandi del 20% (da 0,00131 a 0,00157):</p>



<pre class="wp-block-code"><code>coeftest(modello_tot, vcov = vcovHC(modello_tot, type = "HC3"))
#               Estimate Std. Error t value  Pr(&gt;|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 ***</code></pre>



<p class="wp-block-paragraph"><strong>Come si risolve?</strong> Ci sono tre strade, spesso combinabili:</p>



<ul class="wp-block-list"><li>usare gli <strong>errori standard robusti</strong>, come abbiamo appena fatto: la soluzione più semplice, che non cambia le stime ma solo la loro incertezza;</li><li><strong>trasformare le variabili</strong>, tipicamente con i logaritmi, quando gli effetti sono proporzionali;</li><li>usare i <strong>minimi quadrati ponderati</strong>, che danno meno peso alle osservazioni più rumorose.</li></ul>



<p class="wp-block-paragraph">Nel nostro caso la seconda strada è anche la più naturale, perché l&#8217;errore è moltiplicativo per costruzione. Passiamo ai logaritmi:</p>



<pre class="wp-block-code"><code>modello_log &lt;- lm(log(conversioni) ~ log(spesa), data = dati)
coef(summary(modello_log))
#              Estimate Std. Error    t value     Pr(&gt;|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</code></pre>



<figure class="wp-block-image size-large"><img decoding="async" src="https://www.gironi.it/blog/wp-content/uploads/2026/10/diagnostica-eteroschedasticita.png" alt="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."/><figcaption class="wp-element-caption">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.</figcaption></figure>



<p class="wp-block-paragraph">Il ventaglio si chiude, e il test non trova più nulla. In più il coefficiente ha guadagnato un&#8217;interpretazione comodissima: in un modello con i logaritmi da entrambe le parti è un&#8217;<strong>elasticità</strong>. Il valore di 0,595 dice che <strong>il 10% di spesa in più porta circa il 5,8% di conversioni in più</strong> (1,1 elevato a 0,595 fa 1,058). Nella simulazione il valore vero è 0,6: il modello ci è arrivato vicinissimo.</p>



<h2 class="wp-block-heading" id="autocorrelazione">Cos&#8217;è l&#8217;autocorrelazione?</h2>



<p class="wp-block-paragraph">Resta l&#8217;ultima trappola, la più subdola quando i dati sono ordinati nel tempo.</p>



<div class="wp-block-group has-background" style="background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1.5rem;padding-left:1.5rem"><div class="wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow">
<p>Si ha <strong>autocorrelazione</strong> (o <em>correlazione seriale</em>) quando <strong>gli errori di un modello di regressione sono correlati fra loro nel tempo</strong>: l&#8217;errore di un periodo dice qualcosa sull&#8217;errore del periodo successivo. Nel caso più comune, l&#8217;autocorrelazione positiva di primo ordine, a una settimana andata meglio del previsto tende a seguirne un&#8217;altra andata meglio del previsto.</p>
</div></div>



<p class="wp-block-paragraph">Nel marketing succede di continuo: una campagna di un concorrente, un periodo di prezzi favorevoli, un aggiornamento dell&#8217;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&#8217;occhio:</p>



<figure class="wp-block-image size-large"><img decoding="async" src="https://www.gironi.it/blog/wp-content/uploads/2026/10/diagnostica-autocorrelazione.png" alt="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."/><figcaption class="wp-element-caption">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&#8217;autocorrelazione al primo ritardo vale 0,59 e la statistica di Durbin-Watson 0,81.</figcaption></figure>



<p class="wp-block-paragraph">Il test classico è quello di <strong>Durbin-Watson</strong>. 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.</p>



<pre class="wp-block-code"><code>dwtest(modello_log)
# DW = 0.81187, p-value = 2.573e-10
acf(resid(modello_log), plot = FALSE)$acf[2]
# [1] 0.5881333</code></pre>



<p class="wp-block-paragraph">Una statistica di 0,81 e un&#8217;autocorrelazione dei residui di 0,59 fra una settimana e la successiva: il problema c&#8217;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 <code>acf()</code> e il test di Ljung-Box, che abbiamo incontrato parlando di serie temporali.</p>



<p class="wp-block-paragraph"><strong>Cosa succede se la ignoriamo?</strong> Come per l&#8217;eteroschedasticità, le stime restano in media corrette, ma la formula classica degli errori standard presuppone che ogni settimana porti un&#8217;informazione indipendente. Con l&#8217;autocorrelazione positiva non è così: 104 settimane che si somigliano a gruppi valgono meno di 104 osservazioni indipendenti. <strong>Il modello si crede più preciso di quanto sia.</strong> Gli errori standard di Newey-West, che tengono conto sia dell&#8217;autocorrelazione sia dell&#8217;eteroschedasticità, lo mostrano subito:</p>



<pre class="wp-block-code"><code>coeftest(modello_log, vcov = NeweyWest(modello_log))
#             Estimate Std. Error t value  Pr(&gt;|t|)
# (Intercept)  0.22575    1.00072  0.2256     0.822
# log(spesa)   0.59533    0.10624  5.6039 1.791e-07 ***</code></pre>



<p class="wp-block-paragraph">L&#8217;errore standard dell&#8217;elasticità passa da 0,048 a 0,106, più del doppio. L&#8217;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&#8217;effetto della pubblicità resta chiaramente positivo, ma la nostra incertezza su <em>quanto</em> 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.</p>



<p class="wp-block-paragraph"><strong>Come si risolve?</strong></p>



<ul class="wp-block-list"><li>usare gli <strong>errori standard di Newey-West</strong>, come sopra, se interessano soprattutto le stime e la loro incertezza;</li><li><strong>modellare ciò che manca</strong>: spesso l&#8217;autocorrelazione nasce da una variabile omessa che si muove lentamente (stagionalità, trend, promozioni), e aggiungerla al modello la riduce;</li><li>usare modelli che stimano esplicitamente la correlazione fra gli errori, come i minimi quadrati generalizzati (in R <code>gls()</code> del pacchetto nlme, con <code>correlation = corAR1()</code>). Sono i discendenti moderni del metodo in due stadi di Durbin e della procedura di Cochrane-Orcutt.</li></ul>



<h2 class="wp-block-heading" id="differenze">Che differenza c&#8217;è fra i tre problemi?</h2>



<p class="wp-block-paragraph">Arrivati qui, possiamo mettere i tre concetti uno accanto all&#8217;altro. La distinzione più importante è dove sta il problema: la multicollinearità riguarda le variabili esplicative, gli altri due riguardano gli errori.</p>



<figure class="wp-block-table"><table><thead><tr><th></th><th>Multicollinearità</th><th>Eteroschedasticità</th><th>Autocorrelazione</th></tr></thead><tbody><tr><td>Dove sta il problema</td><td>nei predittori, correlati fra loro</td><td>negli errori, con varianza non costante</td><td>negli errori, correlati nel tempo</td></tr><tr><td>Coefficienti</td><td>corretti in media, ma molto instabili</td><td>corretti in media</td><td>corretti in media</td></tr><tr><td>Errori standard</td><td>grandi (gonfiati)</td><td>sbagliati</td><td>di solito troppo piccoli</td></tr><tr><td>Come si riconosce</td><td>VIF sopra 5-10</td><td>residui a ventaglio, test di Breusch-Pagan</td><td>residui a sequenze, test di Durbin-Watson</td></tr><tr><td>Rimedi tipici</td><td>spesa aggregata, esperimenti, ridge</td><td>logaritmi, errori standard robusti</td><td>Newey-West, variabili omesse, <code>gls()</code></td></tr></tbody></table></figure>



<p class="wp-block-paragraph">C&#8217;è una differenza sottile ma importante fra il primo e gli altri due. Con la multicollinearità gli errori standard sono grandi <em>e lo sanno</em>: il modello ci avverte, a modo suo, che non sa separare gli effetti. Con l&#8217;eteroschedasticità e l&#8217;autocorrelazione, invece, gli errori standard classici sono sbagliati <em>in silenzio</em>, e spesso nel verso peggiore: ci fanno sembrare più sicuri di quanto siamo. Per questo i test diagnostici non sono un&#8217;appendice per pignoli, ma un controllo da fare ogni volta che una regressione deve guidare una decisione.</p>



<h2 class="wp-block-heading" id="domande-frequenti">Domande frequenti</h2>



<h3 class="wp-block-heading">Cosa significa multicollinearità?</h3>



<p class="wp-block-paragraph">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.</p>



<h3 class="wp-block-heading">Cosa significa eteroschedasticità?</h3>



<p class="wp-block-paragraph">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&#8217;omoschedasticità. I coefficienti restano in media corretti, ma errori standard, p-value e intervalli di confidenza calcolati con la formula classica diventano inaffidabili.</p>



<h3 class="wp-block-heading">Che differenza c&#8217;è fra multicollinearità e autocorrelazione?</h3>



<p class="wp-block-paragraph">La multicollinearità riguarda le variabili esplicative, correlate fra loro; l&#8217;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.</p>



<h3 class="wp-block-heading">Che differenza c&#8217;è fra eteroschedasticità e autocorrelazione?</h3>



<p class="wp-block-paragraph">Entrambe riguardano gli errori del modello e lasciano in media corretti i coefficienti. L&#8217;eteroschedasticità riguarda la loro dispersione, che cambia da un&#8217;osservazione all&#8217;altra; l&#8217;autocorrelazione riguarda il loro legame nel tempo. Possono presentarsi insieme, e gli errori standard di Newey-West tengono conto di entrambe.</p>



<h3 class="wp-block-heading">Quale valore del VIF indica multicollinearità?</h3>



<p class="wp-block-paragraph">Non c&#8217;è una soglia universale. La regola pratica più diffusa considera da tenere d&#8217;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.</p>



<h3 class="wp-block-heading">Quanto deve valere la statistica di Durbin-Watson?</h3>



<p class="wp-block-paragraph">Circa 2 in assenza di autocorrelazione. Valori vicini a 0 indicano autocorrelazione positiva, valori vicini a 4 autocorrelazione negativa. In R, <code>dwtest()</code> del pacchetto lmtest restituisce anche il p-value, senza bisogno delle tavole.</p>



<script type="application/ld+json">{"@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{"@type": "Question", "name": "Cosa significa multicollinearità?", "acceptedAnswer": {"@type": "Answer", "text": "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."}}, {"@type": "Question", "name": "Cosa significa eteroschedasticità?", "acceptedAnswer": {"@type": "Answer", "text": "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."}}, {"@type": "Question", "name": "Che differenza c'è fra multicollinearità e autocorrelazione?", "acceptedAnswer": {"@type": "Answer", "text": "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."}}, {"@type": "Question", "name": "Che differenza c'è fra eteroschedasticità e autocorrelazione?", "acceptedAnswer": {"@type": "Answer", "text": "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."}}, {"@type": "Question", "name": "Quale valore del VIF indica multicollinearità?", "acceptedAnswer": {"@type": "Answer", "text": "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."}}, {"@type": "Question", "name": "Quanto deve valere la statistica di Durbin-Watson?", "acceptedAnswer": {"@type": "Answer", "text": "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."}}]}</script>



<h2 class="wp-block-heading" id="prova-tu">Prova tu</h2>



<p class="wp-block-paragraph">Il codice dell&#8217;articolo si presta a qualche esperimento.</p>



<ul class="wp-block-list"><li>Nella funzione <code>simula()</code> 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?</li><li>Si mette <code>ar = 0</code> in <code>arima.sim()</code>: la statistica di Durbin-Watson torna vicina a 2? E gli errori standard di Newey-West si avvicinano a quelli classici?</li><li>Si stima il modello sui logaritmi con entrambi i canali, <code>lm(log(conversioni) ~ log(google) + log(meta))</code>: il problema della multicollinearità sparisce con i logaritmi?</li></ul>



<p class="wp-block-paragraph">L&#8217;ultimo esercizio ha una risposta istruttiva: le trasformazioni curano l&#8217;eteroschedasticità, ma non la multicollinearità. Se i due budget si muovono insieme, si muovono insieme anche i loro logaritmi.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<p class="wp-block-paragraph">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 <a href="https://www.gironi.it/blog/ctr-atteso-vs-reale/">CTR atteso contro CTR reale</a>, la prossima tappa del nostro viaggio.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h3 class="wp-block-heading" id="per-approfondire">Per approfondire</h3>



<p class="wp-block-paragraph">I tre problemi di cui abbiamo parlato sono trattati in profondità in <a href="https://www.amazon.it/dp/8891906190?tag=consulenzeinf-21&amp;ascsubtag=multicollinearita-eteroschedasticita-autocorrelazione" rel="nofollow sponsored noopener" target="_blank"><em>Introduzione all&#8217;econometria</em></a> di Stock e Watson, il testo che consiglio: dedica pagine chiarissime agli errori standard robusti all&#8217;eteroschedasticità e a quelli di Newey-West per le serie storiche, sempre partendo da esempi economici concreti.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://www.gironi.it/blog/multicollinearita-eteroschedasticita-autocorrelazione/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
	</channel>
</rss>
