{"id":2404,"date":"2021-10-17T17:35:46","date_gmt":"2021-10-17T16:35:46","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=2404"},"modified":"2026-10-12T10:01:10","modified_gmt":"2026-10-12T09:01:10","slug":"multicollinearita-eteroschedasticita-autocorrelazione","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/multicollinearita-eteroschedasticita-autocorrelazione\/","title":{"rendered":"Multicollinearit\u00e0, eteroschedasticit\u00e0, autocorrelazione: tre nomi difficili spiegati semplici (con esempio in R)"},"content":{"rendered":"\n<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. Multicollinearit\u00e0, eteroschedasticit\u00e0, autocorrelazione: se vogliamo convincere qualcuno che la statistica \u00e8 una materia oscura e inaccessibile, sono le parole magiche da pronunciare. \ud83d\ude42<\/p>\n\n\n\n<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>\n\n\n\n<!--more-->\n\n\n\n<p class=\"wp-block-paragraph\"><strong>In sintesi:<\/strong> sono tre problemi diversi della regressione. La <strong>multicollinearit\u00e0<\/strong> riguarda i <em>predittori<\/em>: due o pi\u00f9 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>eteroschedasticit\u00e0<\/strong> riguarda gli <em>errori<\/em>: la loro dispersione non \u00e8 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 \u00e8 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>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Di cosa parleremo<\/strong>:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><a href=\"#il-modello\">Il modello: quanto rende ogni euro di pubblicit\u00e0?<\/a><\/li><li><a href=\"#multicollinearita\">Cos&#8217;\u00e8 la multicollinearit\u00e0?<\/a><\/li><li><a href=\"#eteroschedasticita\">Cos&#8217;\u00e8 l&#8217;eteroschedasticit\u00e0?<\/a><\/li><li><a href=\"#autocorrelazione\">Cos&#8217;\u00e8 l&#8217;autocorrelazione?<\/a><\/li><li><a href=\"#differenze\">Che differenza c&#8217;\u00e8 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>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"il-modello\">Il modello: quanto rende ogni euro di pubblicit\u00e0?<\/h2>\n\n\n\n<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 stagionalit\u00e0, e nel foglio di calcolo abbiamo 104 righe: per ogni settimana i due budget e le conversioni ottenute. I dati sono simulati, cos\u00ec conosciamo la verit\u00e0: entrambi i canali funzionano, Google un po&#8217; pi\u00f9 di Meta.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Generiamo i dati in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>library(lmtest)     # test di Breusch-Pagan e di Durbin-Watson\nlibrary(sandwich)   # errori standard robusti\n\nsimula &lt;- function() {\n  settimana &lt;- 1:104\n  crescita &lt;- seq(5000, 15000, length.out = 104)          # il business cresce\n  stagione &lt;- 1 + 0.35 * sin(2 * pi * settimana \/ 52)     # alta e bassa stagione\n  google &lt;- round(crescita * stagione * exp(rnorm(104, 0, 0.10)))\n  meta &lt;- round(0.45 * google * exp(rnorm(104, 0, 0.08)))  # segue Google\n  errore &lt;- as.numeric(arima.sim(list(ar = 0.6), 104, sd = 0.12))\n  conversioni &lt;- round(exp(0.6 + 0.40 * log(google) + 0.20 * log(meta) + errore))\n  data.frame(settimana, google, meta, conversioni)\n}\n\nset.seed(114)\ndati &lt;- simula()<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Le tre trappole sono gi\u00e0 scritte in queste righe, anche se ancora non le vediamo: il budget di Meta \u00e8 fissato come una quota di quello di Google, l&#8217;errore \u00e8 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>\n\n\n\n<pre class=\"wp-block-code\"><code>modello &lt;- lm(conversioni ~ google + meta, data = dati)\nsummary(modello)\n# Coefficients:\n#               Estimate Std. Error t value Pr(&gt;|t|)\n# (Intercept) 179.480922  19.529960   9.190 5.45e-15 ***\n# google        0.030642   0.008473   3.616 0.000468 ***\n# meta         -0.024130   0.018618  -1.296 0.197920\n#\n# Multiple R-squared:  0.5323,\tAdjusted R-squared:  0.5231\n# F-statistic: 57.48 on 2 and 101 DF,  p-value: &lt; 2.2e-16<\/code><\/pre>\n\n\n\n<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>\n\n\n\n<p class=\"wp-block-paragraph\">Sarebbe un errore costoso, perch\u00e9 nei dati Meta funziona. Il modello nel suo complesso spiega met\u00e0 della variabilit\u00e0 delle conversioni (R\u00b2 0,53, test F con p minuscolo), ma la ripartizione fra i due canali \u00e8 un&#8217;illusione. Benvenuti nella multicollinearit\u00e0.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"multicollinearita\">Cos&#8217;\u00e8 la multicollinearit\u00e0?<\/h2>\n\n\n\n<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\">\n<p>Parliamo di <strong>multicollinearit\u00e0<\/strong> quando <strong>due o pi\u00f9 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>\n<\/div><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Il motivo \u00e8 intuitivo. Per stimare l&#8217;effetto di Meta \u00aba parit\u00e0 di Google\u00bb, 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 \u00e8 0,975. Le settimane utili a distinguere i due effetti sono pochissime, e la stima si regge su quelle poche oscillazioni casuali.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Lo strumento standard per misurare il problema \u00e8 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;R\u00b2 di questa regressione \u00e8 alto, il predittore \u00e8 quasi una copia degli altri:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\\(VIF = \\frac{1}{1 &#8211; R^2_{\\text{ausiliario}}}\\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il nome dice esattamente cosa misura: di quante volte la varianza del coefficiente \u00e8 gonfiata rispetto al caso di predittori indipendenti. Calcoliamolo:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>r2_aux &lt;- summary(lm(google ~ meta, data = dati))$r.squared\nr2_aux\n# [1] 0.9511464\n1 \/ (1 - r2_aux)\n# [1] 20.46933<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il pacchetto car lo calcola direttamente con <code>vif(modello)<\/code>. La regola pratica pi\u00f9 diffusa considera preoccupante un VIF sopra 5, grave sopra 10. Il nostro vale <strong>20,5<\/strong>: la varianza delle stime \u00e8 venti volte quella che avremmo con due canali indipendenti, e l&#8217;errore standard (la sua radice) pi\u00f9 di quattro volte.<\/p>\n\n\n\n<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>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(2026)\nstime &lt;- t(replicate(500, {\n  d &lt;- simula()\n  1000 * c(coef(lm(conversioni ~ google + meta, data = d))[2:3],\n           totale = coef(lm(conversioni ~ I(google + meta), data = d))[[2]])\n}))\nmean(stime[, \"meta\"] &lt; 0)\n# [1] 0.146\ncor(stime[, \"google\"], stime[, \"meta\"])\n# [1] -0.9068232<\/code><\/pre>\n\n\n\n<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, perch\u00e9 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, perch\u00e9 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>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Le due stime si contendono lo stesso effetto<\/strong>: quando una sale, l&#8217;altra scende (correlazione \u22120,91 fra le stime). In un caso su sette Meta esce addirittura negativo, e il nostro dataset \u00e8 proprio uno di quelli. Eppure la somma dei due effetti \u00e8 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>\n\n\n\n<p class=\"wp-block-paragraph\">Ecco il segno distintivo della multicollinearit\u00e0: <strong>il modello nel complesso funziona, le previsioni sono buone, ma i singoli coefficienti non sono credibili<\/strong>. Spesso si presenta proprio cos\u00ec: R\u00b2 discreto o alto, test F significativo, e coefficienti con errori standard enormi o segni contrari al buon senso.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Come si risolve?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Non esiste un test che \u00abcura\u00bb la multicollinearit\u00e0, perch\u00e9 non \u00e8 un difetto del calcolo: \u00e8 una mancanza di informazione nei dati. Le strade sono quattro.<\/p>\n\n\n\n<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>. Pi\u00f9 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. \u00c8 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 stabilit\u00e0<\/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>\n\n\n\n<p class=\"wp-block-paragraph\">Da qui in avanti seguiamo la prima strada e lavoriamo con la spesa totale:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>dati$spesa &lt;- dati$google + dati$meta\nmodello_tot &lt;- lm(conversioni ~ spesa, data = dati)<\/code><\/pre>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"eteroschedasticita\">Cos&#8217;\u00e8 l&#8217;eteroschedasticit\u00e0?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Beh, questo termine sembra fatto apposta per spaventare. Ma il concetto, invece, non \u00e8 poi cos\u00ec complicato.<\/p>\n\n\n\n<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\">\n<p><strong>Eteroschedasticit\u00e0<\/strong> significa in pratica <strong>dispersione disuguale<\/strong>: si ha quando <strong>la varianza degli errori di un modello di regressione non \u00e8 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>omoschedasticit\u00e0<\/strong>: errori con la stessa dispersione a tutti i livelli.<\/p>\n<\/div><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Nel marketing l&#8217;eteroschedasticit\u00e0 \u00e8 quasi la regola. Una settimana da 300 conversioni pu\u00f2 sbagliare di 30 in pi\u00f9 o in meno; una settimana da 600 conversioni, a parit\u00e0 di condizioni, sbaglia di 60. Gli errori crescono con le dimensioni, perch\u00e9 gli effetti sono proporzionali e non additivi. Il modo pi\u00f9 semplice per accorgersene \u00e8 guardare i residui in funzione dei valori previsti: se si allargano a ventaglio, la varianza non \u00e8 costante.<\/p>\n\n\n\n<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 \u00e8 l&#8217;omoschedasticit\u00e0:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>bptest(modello_tot)\n# BP = 9.3544, df = 1, p-value = 0.002224<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Con un p-value di 0,002 l&#8217;ipotesi di varianza costante non regge.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Cosa succede se la ignoriamo?<\/strong> Qui c&#8217;\u00e8 una buona notizia, che spesso i manuali lasciano in ombra: <strong>i coefficienti restano corretti in media<\/strong>. Quello che salta \u00e8 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 pi\u00f9 grandi del 20% (da 0,00131 a 0,00157):<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>coeftest(modello_tot, vcov = vcovHC(modello_tot, type = \"HC3\"))\n#               Estimate Std. Error t value  Pr(&gt;|t|)\n# (Intercept) 1.7769e+02 2.0789e+01  8.5472 1.310e-13 ***\n# spesa       1.3622e-02 1.5723e-03  8.6638 7.273e-14 ***<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Come si risolve?<\/strong> Ci sono tre strade, spesso combinabili:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>usare gli <strong>errori standard robusti<\/strong>, come abbiamo appena fatto: la soluzione pi\u00f9 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 pi\u00f9 rumorose.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Nel nostro caso la seconda strada \u00e8 anche la pi\u00f9 naturale, perch\u00e9 l&#8217;errore \u00e8 moltiplicativo per costruzione. Passiamo ai logaritmi:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>modello_log &lt;- lm(log(conversioni) ~ log(spesa), data = dati)\ncoef(summary(modello_log))\n#              Estimate Std. Error    t value     Pr(&gt;|t|)\n# (Intercept) 0.2257489 0.45602741  0.4950336 6.216411e-01\n# log(spesa)  0.5953304 0.04792515 12.4220879 3.942384e-22\nbptest(modello_log)\n# BP = 1.1777, df = 1, p-value = 0.2778<\/code><\/pre>\n\n\n\n<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 pi\u00f9 grandi; nel secondo la dispersione \u00e8 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 pi\u00f9 grandi; nel secondo la dispersione \u00e8 uniforme. Il test di Breusch-Pagan passa da p = 0,002 a p = 0,28.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Il ventaglio si chiude, e il test non trova pi\u00f9 nulla. In pi\u00f9 il coefficiente ha guadagnato un&#8217;interpretazione comodissima: in un modello con i logaritmi da entrambe le parti \u00e8 un&#8217;<strong>elasticit\u00e0<\/strong>. Il valore di 0,595 dice che <strong>il 10% di spesa in pi\u00f9 porta circa il 5,8% di conversioni in pi\u00f9<\/strong> (1,1 elevato a 0,595 fa 1,058). Nella simulazione il valore vero \u00e8 0,6: il modello ci \u00e8 arrivato vicinissimo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"autocorrelazione\">Cos&#8217;\u00e8 l&#8217;autocorrelazione?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Resta l&#8217;ultima trappola, la pi\u00f9 subdola quando i dati sono ordinati nel tempo.<\/p>\n\n\n\n<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\">\n<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 pi\u00f9 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>\n<\/div><\/div>\n\n\n\n<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 pi\u00f9 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>\n\n\n\n<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>\n\n\n\n<p class=\"wp-block-paragraph\">Il test classico \u00e8 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 pi\u00f9 le tavole: il test restituisce direttamente il p-value.<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>dwtest(modello_log)\n# DW = 0.81187, p-value = 2.573e-10\nacf(resid(modello_log), plot = FALSE)$acf[2]\n# [1] 0.5881333<\/code><\/pre>\n\n\n\n<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;\u00e8, ed \u00e8 forte. Per serie pi\u00f9 lunghe o per autocorrelazioni di ordine superiore (fra un errore e quello di due o pi\u00f9 periodi prima) si usano anche la funzione <code>acf()<\/code> e il test di Ljung-Box, che abbiamo incontrato parlando di serie temporali.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Cosa succede se la ignoriamo?<\/strong> Come per l&#8217;eteroschedasticit\u00e0, 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 \u00e8 cos\u00ec: 104 settimane che si somigliano a gruppi valgono meno di 104 osservazioni indipendenti. <strong>Il modello si crede pi\u00f9 preciso di quanto sia.<\/strong> Gli errori standard di Newey-West, che tengono conto sia dell&#8217;autocorrelazione sia dell&#8217;eteroschedasticit\u00e0, lo mostrano subito:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>coeftest(modello_log, vcov = NeweyWest(modello_log))\n#             Estimate Std. Error t value  Pr(&gt;|t|)\n# (Intercept)  0.22575    1.00072  0.2256     0.822\n# log(spesa)   0.59533    0.10624  5.6039 1.791e-07 ***<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;errore standard dell&#8217;elasticit\u00e0 passa da 0,048 a 0,106, pi\u00f9 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 pubblicit\u00e0 resta chiaramente positivo, ma la nostra incertezza su <em>quanto<\/em> rende \u00e8 pi\u00f9 del doppio di quella che credevamo. Con un effetto pi\u00f9 piccolo, la differenza fra le due formule sarebbe quella fra un risultato \u00absignificativo\u00bb e uno che non lo \u00e8.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Come si risolve?<\/strong><\/p>\n\n\n\n<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 ci\u00f2 che manca<\/strong>: spesso l&#8217;autocorrelazione nasce da una variabile omessa che si muove lentamente (stagionalit\u00e0, 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>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"differenze\">Che differenza c&#8217;\u00e8 fra i tre problemi?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Arrivati qui, possiamo mettere i tre concetti uno accanto all&#8217;altro. La distinzione pi\u00f9 importante \u00e8 dove sta il problema: la multicollinearit\u00e0 riguarda le variabili esplicative, gli altri due riguardano gli errori.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th><\/th><th>Multicollinearit\u00e0<\/th><th>Eteroschedasticit\u00e0<\/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>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 una differenza sottile ma importante fra il primo e gli altri due. Con la multicollinearit\u00e0 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;eteroschedasticit\u00e0 e l&#8217;autocorrelazione, invece, gli errori standard classici sono sbagliati <em>in silenzio<\/em>, e spesso nel verso peggiore: ci fanno sembrare pi\u00f9 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>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"domande-frequenti\">Domande frequenti<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Cosa significa multicollinearit\u00e0?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Significa che due o pi\u00f9 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>\n\n\n\n<h3 class=\"wp-block-heading\">Cosa significa eteroschedasticit\u00e0?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Significa che la varianza degli errori di un modello di regressione non \u00e8 costante, ma cambia con i valori previsti o con una variabile esplicativa. \u00c8 il contrario dell&#8217;omoschedasticit\u00e0. I coefficienti restano in media corretti, ma errori standard, p-value e intervalli di confidenza calcolati con la formula classica diventano inaffidabili.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Che differenza c&#8217;\u00e8 fra multicollinearit\u00e0 e autocorrelazione?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La multicollinearit\u00e0 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>\n\n\n\n<h3 class=\"wp-block-heading\">Che differenza c&#8217;\u00e8 fra eteroschedasticit\u00e0 e autocorrelazione?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Entrambe riguardano gli errori del modello e lasciano in media corretti i coefficienti. L&#8217;eteroschedasticit\u00e0 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>\n\n\n\n<h3 class=\"wp-block-heading\">Quale valore del VIF indica multicollinearit\u00e0?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Non c&#8217;\u00e8 una soglia universale. La regola pratica pi\u00f9 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 \u00e8 dieci volte quella che avrebbe con predittori indipendenti.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quanto deve valere la statistica di Durbin-Watson?<\/h3>\n\n\n\n<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>\n\n\n\n<script type=\"application\/ld+json\">{\"@context\": \"https:\/\/schema.org\", \"@type\": \"FAQPage\", \"mainEntity\": [{\"@type\": \"Question\", \"name\": \"Cosa significa multicollinearit\u00e0?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Significa che due o pi\u00f9 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 eteroschedasticit\u00e0?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Significa che la varianza degli errori di un modello di regressione non \u00e8 costante, ma cambia con i valori previsti o con una variabile esplicativa. \u00c8 il contrario dell'omoschedasticit\u00e0. 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'\u00e8 fra multicollinearit\u00e0 e autocorrelazione?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"La multicollinearit\u00e0 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'\u00e8 fra eteroschedasticit\u00e0 e autocorrelazione?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Entrambe riguardano gli errori del modello e lasciano in media corretti i coefficienti. L'eteroschedasticit\u00e0 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 multicollinearit\u00e0?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Non c'\u00e8 una soglia universale. La regola pratica pi\u00f9 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 \u00e8 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>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"prova-tu\">Prova tu<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il codice dell&#8217;articolo si presta a qualche esperimento.<\/p>\n\n\n\n<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, cos\u00ec che i due budget si muovano in modo pi\u00f9 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 multicollinearit\u00e0 sparisce con i logaritmi?<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;ultimo esercizio ha una risposta istruttiva: le trasformazioni curano l&#8217;eteroschedasticit\u00e0, ma non la multicollinearit\u00e0. Se i due budget si muovono insieme, si muovono insieme anche i loro logaritmi.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p class=\"wp-block-paragraph\">Con questo abbiamo gli strumenti per fidarci (o non fidarci) di una regressione. \u00c8 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. \u00c8 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>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"per-approfondire\">Per approfondire<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">I tre problemi di cui abbiamo parlato sono trattati in profondit\u00e0 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;eteroschedasticit\u00e0 e a quelli di Newey-West per le serie storiche, sempre partendo da esempi economici concreti.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>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. Multicollinearit\u00e0, eteroschedasticit\u00e0, autocorrelazione: se vogliamo convincere qualcuno che la statistica \u00e8 una materia oscura e inaccessibile, sono le parole magiche da pronunciare. \ud83d\ude42 Sorpresa: dietro i nomi ci sono &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/multicollinearita-eteroschedasticita-autocorrelazione\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Multicollinearit\u00e0, eteroschedasticit\u00e0, autocorrelazione: tre nomi difficili spiegati semplici (con esempio in R)&#8221;<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[629],"tags":[667,669,671,673,675,677,679],"class_list":["post-2404","post","type-post","status-publish","format-standard","hentry","category-statistica-it","tag-autocorrelazione-it","tag-errore-it","tag-eteroschedasticita-it","tag-multicollinearita-it","tag-omoschedasticita-it","tag-regressione-it","tag-serie-temporali-it"],"lang":"it","translations":{"it":2404,"en":3299},"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"paolo","author_link":"https:\/\/www.gironi.it\/blog\/author\/paolo\/"},"uagb_comment_info":0,"uagb_excerpt":"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. Multicollinearit\u00e0, eteroschedasticit\u00e0, autocorrelazione: se vogliamo convincere qualcuno che la statistica \u00e8 una materia oscura e inaccessibile, sono le parole magiche da pronunciare. \ud83d\ude42 Sorpresa: dietro i nomi ci sono&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2404","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=2404"}],"version-history":[{"count":5,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2404\/revisions"}],"predecessor-version":[{"id":4544,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2404\/revisions\/4544"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=2404"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=2404"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=2404"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}