{"id":2631,"date":"2023-01-12T15:47:03","date_gmt":"2023-01-12T14:47:03","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=2631"},"modified":"2026-10-12T09:32:07","modified_gmt":"2026-10-12T08:32:07","slug":"la-regressione-logistica","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/la-regressione-logistica\/","title":{"rendered":"Regressione logistica: cos&#8217;\u00e8, come leggere gli odds ratio e un esempio in R"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Prima o poi, ogni analisi del traffico arriva alla domanda che conta davvero: questa visita si \u00e8 trasformata in un cliente, s\u00ec o no? Non ci interessa <em>quanto<\/em> ha convertito una sessione, ci interessa <em>se<\/em> l&#8217;ha fatto. E subito dopo viene la domanda successiva: quali sessioni hanno pi\u00f9 probabilit\u00e0 di farlo? Quelle che arrivano da una ricerca col nome del brand? Quelle che sfogliano pi\u00f9 pagine? Quelle da desktop?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Con la <a href=\"https:\/\/www.gironi.it\/blog\/regressione-lineare-semplice\/\">regressione lineare<\/a> abbiamo imparato a prevedere un numero. Qui per\u00f2 il risultato \u00e8 un interruttore, acceso o spento, e la retta non \u00e8 lo strumento giusto: vedremo che arriva perfino a prevedere probabilit\u00e0 negative. Lo strumento giusto \u00e8 la <strong>regressione logistica<\/strong>, uno dei modelli pi\u00f9 usati in assoluto, dal marketing alla medicina. Costruiamola insieme, partendo proprio da un esempio di conversioni.<\/p>\n\n\n\n<!--more-->\n\n\n\n<p class=\"wp-block-paragraph\"><strong>In sintesi:<\/strong> la <strong>regressione logistica<\/strong> \u00e8 il modello statistico che stima la <strong>probabilit\u00e0 di un esito binario<\/strong> (converte o no, clicca o no) in base a una o pi\u00f9 variabili. Invece di una retta usa la <strong>funzione logistica<\/strong>, una curva a S che resta sempre fra 0 e 1. I coefficienti sono espressi in <em>log-odds<\/em>: elevati a esponente diventano <strong>odds ratio<\/strong>, cio\u00e8 di quante volte si moltiplicano gli odds dell&#8217;evento quando una variabile aumenta di un&#8217;unit\u00e0. In R si stima con <code>glm(..., family = binomial)<\/code> e si ottengono le probabilit\u00e0 con <code>predict(..., type = \"response\")<\/code>. Per classificare serve poi una <strong>soglia<\/strong>, che con eventi rari va scelta con cura: 0,5 non \u00e8 quasi mai quella giusta.<\/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=\"#perche-non-la-retta\">Perch\u00e9 una retta non basta?<\/a><\/li><li><a href=\"#equazione-logistica\">Da probabilit\u00e0 a odds a logit: l&#8217;equazione logistica<\/a><\/li><li><a href=\"#esempio-r\">Come si stima una regressione logistica in R?<\/a><\/li><li><a href=\"#odds-ratio\">Come si leggono i coefficienti? Gli odds ratio<\/a><\/li><li><a href=\"#soglia\">Dalle probabilit\u00e0 alle decisioni: dove mettere la soglia?<\/a><\/li><li><a href=\"#assunzioni\">Le condizioni per usarla<\/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=\"perche-non-la-retta\">Perch\u00e9 una retta non basta?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Prendiamo 5.000 sessioni organiche di un e-commerce. Per ciascuna conosciamo tre cose: quante pagine ha visto, se arrivava da smartphone o da desktop, e se la query di partenza conteneva il nome del brand. E sappiamo se la sessione si \u00e8 chiusa con un acquisto: hanno convertito in 271, il 5,4%. I dati sono simulati, cos\u00ec conosciamo la verit\u00e0 e possiamo controllare se il modello la ritrova.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;idea pi\u00f9 immediata \u00e8 trattare la conversione come un numero, 1 se c&#8217;\u00e8 stata e 0 se no, e farci passare sopra una retta coi minimi quadrati. Ha perfino un nome, <em>modello lineare di probabilit\u00e0<\/em>, e in qualche caso funziona in modo accettabile. Ma guardiamo cosa succede ai nostri dati.<\/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\/regressione-logistica-retta-curva.png\" alt=\"Tasso di conversione osservato per numero di pagine viste (le bolle, la cui area indica quante sessioni ci sono) con la retta dei minimi quadrati e la curva logistica. La retta aggiunge sempre 1,9 punti per pagina e resta sotto i dati a destra; la curva sale piano e poi accelera, seguendo le bolle.\"\/><figcaption class=\"wp-element-caption\">Tasso di conversione osservato per numero di pagine viste (le bolle, la cui area indica quante sessioni ci sono) con la retta dei minimi quadrati e la curva logistica. La retta aggiunge sempre 1,9 punti per pagina e resta sotto i dati a destra; la curva sale piano e poi accelera, seguendo le bolle.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">La retta dice che ogni pagina in pi\u00f9 vale sempre 1,9 punti percentuali di conversione, sia che si passi da 1 a 2 pagine sia che si passi da 8 a 9. I dati raccontano un&#8217;altra storia: chi vede poche pagine converte pochissimo e quasi a prescindere, poi la probabilit\u00e0 accelera. E quando aggiungiamo anche dispositivo e brand le cose peggiorano: <strong>il modello lineare assegna a 654 sessioni su 5.000 una probabilit\u00e0 di conversione negativa<\/strong>, fino a \u22122,2%. Una probabilit\u00e0 sotto zero non ha alcun significato. Dall&#8217;altra parte, al profilo migliore (12 pagine, desktop, query brand) assegna il 28,8% quando la logistica, come vedremo, stima il 72,9%.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il problema \u00e8 di forma. Una probabilit\u00e0 vive fra 0 e 1, e vicino ai bordi deve per forza \u00abfrenare\u00bb: non si pu\u00f2 salire oltre il 100% n\u00e9 scendere sotto lo zero. Una retta, invece, prosegue all&#8217;infinito. Serve una curva che abbia i freni incorporati.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"equazione-logistica\">Da probabilit\u00e0 a odds a logit: l&#8217;equazione logistica<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La regressione logistica risolve il problema con un cambio di scala in due passi. Il primo passo sono gli <strong>odds<\/strong>, una parola che chi frequenta le scommesse conosce bene: invece della probabilit\u00e0 che un evento accada, si guarda il rapporto fra la probabilit\u00e0 che accada e quella che non accada.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\\(\\text{odds} = \\frac{p}{1-p}\\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Con una probabilit\u00e0 del 20%, gli odds sono 0,2 \/ 0,8 = 0,25: \u00abuno a quattro\u00bb, un successo ogni quattro insuccessi. Con il 50% gli odds valgono 1, e con l&#8217;80% salgono a 4. Gli odds non hanno il tetto dell&#8217;1: vanno da zero a infinito.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il secondo passo \u00e8 prenderne il logaritmo. Il <strong>logaritmo degli odds<\/strong>, chiamato <em>logit<\/em>, toglie anche il pavimento dello zero e pu\u00f2 assumere qualunque valore, da meno infinito a pi\u00f9 infinito. Ed \u00e8 proprio su questa scala libera che la regressione logistica mette la sua equazione lineare, identica nella forma a quella della <a href=\"https:\/\/www.gironi.it\/blog\/regressione-multipla-spiegata-semplice\/\">regressione multipla<\/a>:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\\(\\ln\\left(\\frac{p}{1-p}\\right) = b_0 + b_1 x_1 + b_2 x_2 + \\dots + b_k x_k\\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">dove p \u00e8 la probabilit\u00e0 dell&#8217;evento, le x sono le variabili (i <em>predittori<\/em>) e le b i coefficienti da stimare. Per tornare alla probabilit\u00e0 basta invertire il percorso, e si ottiene la <strong>funzione logistica<\/strong>, detta anche <em>sigmoide<\/em> per la sua forma a S:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\\(p = \\frac{1}{1 + e^{-(b_0 + b_1 x_1 + \\dots + b_k x_k)}}\\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Qualunque valore assuma l&#8217;espressione fra parentesi, il risultato resta sempre compreso fra 0 e 1. Ecco i freni incorporati: <strong>la logistica \u00e8 una retta sulla scala dei log-odds, che diventa una curva a S sulla scala delle probabilit\u00e0<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I coefficienti non si trovano coi minimi quadrati ma con il metodo della <em>massima verosimiglianza<\/em>: fra tutte le curve possibili, si sceglie quella che rende pi\u00f9 probabili i dati che abbiamo effettivamente osservato. Il calcolo \u00e8 iterativo e lo lasciamo volentieri al software.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"esempio-r\">Come si stima una regressione logistica in R?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Simuliamo le 5.000 sessioni. Nella realt\u00e0 i dati arriverebbero da Google Analytics o dal CRM; qui li costruiamo noi, con effetti noti, per poter verificare il risultato:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(7)\nn &lt;- 5000\nsessioni &lt;- data.frame(\n  pagine = 1 + rpois(n, 2.5),    # pagine viste nella sessione\n  mobile = rbinom(n, 1, 0.6),    # 1 = smartphone, 0 = desktop\n  brand  = rbinom(n, 1, 0.25)    # 1 = arrivata da una query col nome del brand\n)\nlogit_vero &lt;- -4.4 + 0.35 * sessioni$pagine - 0.5 * sessioni$mobile + 1.2 * sessioni$brand\nsessioni$converte &lt;- rbinom(n, 1, plogis(logit_vero))\n\nmean(sessioni$converte)\n# [1] 0.0542<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La funzione <code>plogis()<\/code> \u00e8 proprio la funzione logistica: trasforma il logit vero in una probabilit\u00e0, e <code>rbinom()<\/code> lancia per ogni sessione una moneta truccata con quella probabilit\u00e0. \u00c8 il motivo per cui nel modello compare <code>family = binomial<\/code>: ogni sessione \u00e8 una prova di Bernoulli, il mattone della <a href=\"https:\/\/www.gironi.it\/blog\/distribuzioni-di-probabilita-distribuzioni-discrete-la-binomiale\/\">distribuzione binomiale<\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Stimiamo il modello:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>modello &lt;- glm(converte ~ pagine + mobile + brand, data = sessioni, family = binomial)\nsummary(modello)\n# Coefficients:\n#             Estimate Std. Error z value Pr(&gt;|z|)\n# (Intercept) -4.37566    0.18872 -23.187  &lt; 2e-16 ***\n# pagine       0.34742    0.03584   9.693  &lt; 2e-16 ***\n# mobile      -0.50057    0.12834  -3.900 9.61e-05 ***\n# brand        1.19691    0.12868   9.302  &lt; 2e-16 ***\n#\n#     Null deviance: 2107.0  on 4999  degrees of freedom\n# Residual deviance: 1923.8  on 4996  degrees of freedom\n# AIC: 1931.8<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il modello ritrova quasi alla perfezione i valori con cui abbiamo costruito i dati: 0,347 contro 0,35 per le pagine, \u22120,501 contro \u22120,5 per il mobile, 1,197 contro 1,2 per il brand. Le colonne si leggono come nella regressione lineare: stima, errore standard, la statistica z (qui al posto della t) e il <a href=\"https:\/\/www.gironi.it\/blog\/p-value\/\">p-value<\/a>. La <em>devianza<\/em> \u00e8 l&#8217;equivalente logistico della somma dei quadrati dei residui: scende da 2107 (il modello senza predittori) a 1924, segno che le tre variabili spiegano qualcosa.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Gi\u00e0 il segno dei coefficienti dice molto: pi\u00f9 pagine e query brand fanno salire la probabilit\u00e0 di conversione, lo smartphone la fa scendere. Ma quanto? Qui la logistica chiede un passo in pi\u00f9.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"odds-ratio\">Come si leggono i coefficienti? Gli odds ratio<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">I coefficienti sono sulla scala dei log-odds, che nessuno ha l&#8217;abitudine di pensare. Il trucco \u00e8 elevarli a esponente: <strong>e elevato al coefficiente \u00e8 l&#8217;odds ratio<\/strong>, il numero per cui si moltiplicano gli odds della conversione quando la variabile aumenta di un&#8217;unit\u00e0, a parit\u00e0 delle altre. Calcoliamoli insieme ai loro <a href=\"https:\/\/www.gironi.it\/blog\/intervalli-di-confidenza\/\">intervalli di confidenza<\/a>:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>round(exp(cbind(OR = coef(modello), confint(modello))), 3)\n#                OR 2.5 % 97.5 %\n# (Intercept) 0.013 0.009  0.018\n# pagine      1.415 1.319  1.519\n# mobile      0.606 0.471  0.780\n# brand       3.310 2.572  4.261<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Traduciamo riga per riga:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>pagine<\/strong>: ogni pagina vista in pi\u00f9 moltiplica gli odds di conversione per 1,415, cio\u00e8 li fa crescere del 41,5% circa (con un intervallo fra +32% e +52%);<\/li><li><strong>mobile<\/strong>: da smartphone gli odds sono il 60,6% di quelli da desktop, circa il 40% in meno;<\/li><li><strong>brand<\/strong>: una sessione arrivata da una query col nome del brand ha odds 3,3 volte quelli di una sessione non brand.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Nessuno degli intervalli contiene l&#8217;1, il valore che significherebbe \u00abnessun effetto\u00bb.<\/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>Attenzione: l&#8217;odds ratio non \u00e8 un rapporto fra probabilit\u00e0.<\/strong> \u00abOdds 3,3 volte pi\u00f9 alti\u00bb non vuol dire \u00ab3,3 volte pi\u00f9 probabile\u00bb. Le due cose quasi coincidono solo quando l&#8217;evento \u00e8 raro, come le nostre conversioni al 5%. Con eventi frequenti si allontanano parecchio: passare da odds 1 a odds 3,3 significa passare dal 50% al 77% di probabilit\u00e0, che non \u00e8 certo il triplo. E soprattutto, <strong>lo stesso odds ratio produce salti diversi in punti percentuali<\/strong>, a seconda di dove ci troviamo sulla curva.<\/p>\n<\/div><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Quest&#8217;ultimo punto merita un grafico. Calcoliamo le probabilit\u00e0 previste per quattro profili di sessione, con <code>type = \"response\"<\/code>, che restituisce probabilit\u00e0 invece di log-odds:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>profili &lt;- data.frame(pagine = c(3, 3, 8, 8),\n                      mobile = c(1, 0, 1, 0),\n                      brand  = c(0, 1, 0, 1))\nround(predict(modello, newdata = profili, type = \"response\"), 3)\n#     1     2     3     4\n# 0.021 0.106 0.109 0.401<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Una sessione da smartphone, non brand, con 3 pagine viste converte col 2,1% di probabilit\u00e0. Lo stesso numero di pagine da desktop e da query brand vale il 10,6%. Con 8 pagine, desktop e brand, si arriva al 40,1%.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Verifichiamo il primo valore a mano, per vedere che non c&#8217;\u00e8 magia. Il logit vale \u22124,376 + 0,347 \u00d7 3 \u2212 0,501 \u00d7 1 + 1,197 \u00d7 0 = \u22123,834. La probabilit\u00e0 \u00e8 1 \/ (1 + e^3,834) = 1 \/ (1 + 46,2) = <strong>0,021<\/strong>.<\/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\/regressione-logistica-profili.png\" alt=\"Probabilit\u00e0 di conversione prevista dal modello in funzione delle pagine viste, per quattro tipi di sessione: query brand o non brand, desktop o mobile. Le curve hanno la stessa forma ma partono da livelli diversi, e pi\u00f9 sono alte pi\u00f9 si allontanano fra loro.\"\/><figcaption class=\"wp-element-caption\">Probabilit\u00e0 di conversione prevista dal modello in funzione delle pagine viste, per quattro tipi di sessione: query brand o non brand, desktop o mobile. Le curve hanno la stessa forma ma partono da livelli diversi, e pi\u00f9 sono alte pi\u00f9 si allontanano fra loro.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Le quattro curve condividono lo stesso odds ratio per pagina, 1,415. Eppure <strong>in punti percentuali l&#8217;effetto di una pagina in pi\u00f9 cambia moltissimo<\/strong>: per una sessione mobile non brand, passare da 2 a 3 pagine aggiunge 0,6 punti (dall&#8217;1,5% al 2,1%); per una sessione mobile da query brand, passare da 8 a 9 ne aggiunge 7,6 (dal 28,9% al 36,5%). \u00c8 la curva a S al lavoro, ed \u00e8 il motivo per cui nei report conviene riportare sia l&#8217;odds ratio sia qualche probabilit\u00e0 prevista per profili concreti.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"soglia\">Dalle probabilit\u00e0 alle decisioni: dove mettere la soglia?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Spesso dal modello vogliamo una decisione: a quali sessioni mostrare un&#8217;offerta, quali utenti inserire in una campagna di remarketing. Per trasformare una probabilit\u00e0 in un s\u00ec o un no serve una <strong>soglia<\/strong>, e la scelta istintiva \u00e8 0,5: se la probabilit\u00e0 supera il 50%, prevediamo una conversione.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per giudicare il modello in modo onesto, per\u00f2, non possiamo valutarlo sugli stessi dati con cui l&#8217;abbiamo stimato. Dividiamo le sessioni: stimiamo su 3.500 e misuriamo le previsioni sulle altre 1.500, che il modello non ha mai visto.<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(11)\nrighe &lt;- sample(n, 3500)\naddestramento &lt;- sessioni[righe, ]\ntest &lt;- sessioni[-righe, ]\nmodello_add &lt;- glm(converte ~ pagine + mobile + brand, data = addestramento, family = binomial)\np_test &lt;- predict(modello_add, newdata = test, type = \"response\")\n\ntable(previsto = p_test &gt; 0.5, reale = test$converte)\n#         reale\n# previsto    0    1\n#    FALSE 1410   89\n#    TRUE     1    0\nmean((p_test &gt; 0.5) == test$converte)\n# [1] 0.94<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Accuratezza del 94%: sembra un ottimo risultato. Ma guardiamo la tabella: delle 89 sessioni che hanno convertito davvero, il modello non ne ha individuata <strong>nessuna<\/strong>. Ha semplicemente risposto \u00abno\u00bb quasi sempre. E con un tasso di conversione del 5,9%, chi risponde sempre \u00abno\u00bb senza nessun modello ottiene un&#8217;accuratezza del 94,1%, meglio di noi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Con eventi rari, l&#8217;accuratezza \u00e8 una metrica che inganna.<\/strong> Il modello non \u00e8 inutile: \u00e8 la soglia a essere sbagliata. Nei nostri dati quasi nessuna sessione supera il 50% di probabilit\u00e0, quindi una soglia a 0,5 equivale a non segnalare mai niente. Abbassiamola a 0,1:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>table(previsto = p_test &gt; 0.1, reale = test$converte)\n#         reale\n# previsto    0    1\n#    FALSE 1292   62\n#    TRUE   119   27<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Ora il modello segnala 146 sessioni e ne prende 27 che convertono davvero: il 30% delle conversioni (la <em>sensibilit\u00e0<\/em>, o <em>recall<\/em>). Fra le sessioni segnalate, il 18,5% converte (la <em>precisione<\/em>), pi\u00f9 del triplo del 5,9% di partenza. L&#8217;accuratezza scende all&#8217;88%, ma il modello \u00e8 diventato utile.<\/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\/regressione-logistica-soglia.png\" alt=\"Probabilit\u00e0 di conversione previste dal modello per le 1.500 sessioni di test, separate fra quelle che non hanno convertito (sopra) e quelle che hanno convertito (sotto). Quasi tutto sta sotto il 30%: la soglia a 0,5 non intercetta nessuna conversione, quella a 0,1 ne prende 27 al prezzo di 119 falsi allarmi.\"\/><figcaption class=\"wp-element-caption\">Probabilit\u00e0 di conversione previste dal modello per le 1.500 sessioni di test, separate fra quelle che non hanno convertito (sopra) e quelle che hanno convertito (sotto). Quasi tutto sta sotto il 30%: la soglia a 0,5 non intercetta nessuna conversione, quella a 0,1 ne prende 27 al prezzo di 119 falsi allarmi.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Il grafico mostra il compromesso. Le sessioni che convertono stanno in media pi\u00f9 a destra, ma le due distribuzioni si sovrappongono molto: ogni soglia \u00e8 uno scambio fra conversioni prese e falsi allarmi. La soglia giusta non la decide la statistica, la decide il costo degli errori: se mostrare un&#8217;offerta a chi non comprer\u00e0 costa poco, conviene una soglia bassa.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per giudicare il modello indipendentemente dalla soglia si usa spesso l&#8217;<strong>AUC<\/strong>, l&#8217;area sotto la curva ROC: \u00e8 la probabilit\u00e0 che, presa a caso una sessione che converte e una che non converte, il modello assegni alla prima una probabilit\u00e0 pi\u00f9 alta. Vale 0,5 per un modello che tira a indovinare e 1 per uno perfetto. Calcoliamola con i ranghi, la stessa idea del <a href=\"https:\/\/www.gironi.it\/blog\/il-test-di-wilcoxon\/\">test di Wilcoxon<\/a>:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>r &lt;- rank(p_test)\nn1 &lt;- sum(test$converte); n0 &lt;- sum(1 - test$converte)\nround((sum(r[test$converte == 1]) - n1 * (n1 + 1) \/ 2) \/ (n1 * n0), 3)\n# [1] 0.749<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Un&#8217;AUC di 0,75 \u00e8 un risultato discreto: con solo tre variabili, il modello ordina correttamente tre coppie su quattro.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"assunzioni\">Le condizioni per usarla<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La regressione logistica chiede meno della regressione lineare (niente normalit\u00e0 dei residui, niente varianza costante), ma qualche condizione resta:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>l&#8217;esito \u00e8 binario<\/strong>: due sole categorie (per tre o pi\u00f9 ne parliamo nelle domande frequenti);<\/li><li><strong>le osservazioni sono indipendenti<\/strong>: dieci sessioni dello stesso utente non sono dieci informazioni indipendenti;<\/li><li><strong>la relazione \u00e8 lineare sulla scala del logit<\/strong>: se l&#8217;effetto delle pagine cresce fino a un certo punto e poi si appiattisce, va modellato (per esempio con classi di pagine viste);<\/li><li><strong>i predittori non sono troppo correlati fra loro<\/strong>, il problema della multicollinearit\u00e0 di cui parleremo nel prossimo articolo;<\/li><li><strong>ci sono abbastanza eventi<\/strong>: una regola pratica diffusa chiede almeno una decina di eventi (nel nostro caso, conversioni) per ogni predittore. Noi ne abbiamo 271 per 3 variabili, ampiamente sopra.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 infine una condizione meno nota, e capita di leggere l&#8217;esatto contrario: che la regressione logistica si usi \u00abquando i dati sono linearmente separabili\u00bb. <strong>\u00c8 vero l&#8217;opposto: se una variabile separa perfettamente i s\u00ec dai no, la logistica va in crisi.<\/strong> La massima verosimiglianza spinge il coefficiente verso l&#8217;infinito per rendere la curva un gradino perfetto, e l&#8217;errore standard esplode. Succede pi\u00f9 spesso di quanto si pensi, anche con dataset famosi.<\/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>Il caso del Titanic: quando un coefficiente esplode.<\/strong> Il dataset dei passeggeri del Titanic \u00e8 l&#8217;esempio di regressione logistica pi\u00f9 usato al mondo. Stimiamo la sopravvivenza in funzione di classe, sesso, et\u00e0, familiari a bordo, tariffa e porto d&#8217;imbarco, e nel <code>summary()<\/code> compare una riga strana: l&#8217;intercetta vale 17,9 con un errore standard di 607, e i tre porti hanno coefficienti attorno a \u221212, anche loro con errori enormi.<br><br>Il motivo sono due passeggere, Amelie Icard e Martha Stone, che nel file hanno il porto d&#8217;imbarco vuoto. R tratta il vuoto come una quarta categoria, e la usa come riferimento. Tutte e due sono sopravvissute: per quella \u00abcategoria\u00bb il tasso di sopravvivenza \u00e8 del 100%, una separazione perfetta. Dalle fonti storiche risulta che entrambe si imbarcarono a Southampton: assegnando loro la \u00abS\u00bb, l&#8217;intercetta torna a 5,64 con errore standard 0,64, e i porti diventano leggibili.<br><br>Due lezioni. La prima: un errore standard di centinaia di unit\u00e0 \u00e8 quasi sempre un segnale di separazione, non un risultato. La seconda: lo stesso <code>glm()<\/code> ha scartato in silenzio 177 passeggeri su 891, quelli senza et\u00e0. Prima di guardare i coefficienti conviene sempre controllare con <code>nobs(modello)<\/code> su quante righe ha lavorato davvero.<\/p>\n<\/div><\/div>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"domande-frequenti\">Domande frequenti<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Che differenza c&#8217;\u00e8 fra regressione lineare e regressione logistica?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La regressione lineare prevede una variabile numerica continua, come il traffico o il fatturato. La regressione logistica prevede la probabilit\u00e0 di un esito binario, come converte o non converte. Per farlo modella in modo lineare il logaritmo degli odds e restituisce probabilit\u00e0 sempre comprese fra 0 e 1.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Cos&#8217;\u00e8 l&#8217;odds ratio nella regressione logistica?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 l&#8217;esponenziale di un coefficiente: indica per quanto si moltiplicano gli odds dell&#8217;evento quando la variabile aumenta di un&#8217;unit\u00e0, a parit\u00e0 delle altre. Un odds ratio di 1,4 significa odds pi\u00f9 alti del 40%, uno di 0,6 odds pi\u00f9 bassi del 40%, uno pari a 1 nessun effetto.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Regressione logistica e regressione logaritmica sono la stessa cosa?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">No. Nella regressione logaritmica la variabile da prevedere resta numerica e continua, e la relazione con il predittore passa per un logaritmo (per esempio y = a + b\u00b7ln x). Nella regressione logistica la variabile da prevedere \u00e8 binaria, e il logaritmo riguarda gli odds dell&#8217;evento.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Cosa si usa se le categorie sono pi\u00f9 di due?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Se le categorie non hanno un ordine (per esempio desktop, mobile e tablet) si usa la regressione logistica multinomiale, in R con <code>multinom()<\/code> del pacchetto nnet. Se hanno un ordine naturale (basso, medio, alto) si usa la regressione logistica ordinale, in R con <code>polr()<\/code> del pacchetto MASS.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Qual \u00e8 la soglia giusta per classificare?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Dipende dal costo dei due tipi di errore e da quanto \u00e8 frequente l&#8217;evento. Con eventi rari, come le conversioni, la soglia di 0,5 porta spesso a non segnalare mai niente. Conviene guardare la tabella delle previsioni per pi\u00f9 soglie, oppure l&#8217;AUC per valutare il modello indipendentemente dalla soglia.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quanti dati servono per una regressione logistica?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Conta soprattutto il numero di eventi, cio\u00e8 dei casi nella categoria meno frequente. Una regola pratica diffusa ne chiede almeno una decina per ogni predittore: con 50 conversioni, meglio non andare oltre quattro o cinque variabili.<\/p>\n\n\n\n<script type=\"application\/ld+json\">{\"@context\": \"https:\/\/schema.org\", \"@type\": \"FAQPage\", \"mainEntity\": [{\"@type\": \"Question\", \"name\": \"Che differenza c'\u00e8 fra regressione lineare e regressione logistica?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"La regressione lineare prevede una variabile numerica continua, come il traffico o il fatturato. La regressione logistica prevede la probabilit\u00e0 di un esito binario, come converte o non converte. Per farlo modella in modo lineare il logaritmo degli odds e restituisce probabilit\u00e0 sempre comprese fra 0 e 1.\"}}, {\"@type\": \"Question\", \"name\": \"Cos'\u00e8 l'odds ratio nella regressione logistica?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"\u00c8 l'esponenziale di un coefficiente: indica per quanto si moltiplicano gli odds dell'evento quando la variabile aumenta di un'unit\u00e0, a parit\u00e0 delle altre. Un odds ratio di 1,4 significa odds pi\u00f9 alti del 40%, uno di 0,6 odds pi\u00f9 bassi del 40%, uno pari a 1 nessun effetto.\"}}, {\"@type\": \"Question\", \"name\": \"Regressione logistica e regressione logaritmica sono la stessa cosa?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"No. Nella regressione logaritmica la variabile da prevedere resta numerica e continua, e la relazione con il predittore passa per un logaritmo (per esempio y = a + b\u00b7ln x). Nella regressione logistica la variabile da prevedere \u00e8 binaria, e il logaritmo riguarda gli odds dell'evento.\"}}, {\"@type\": \"Question\", \"name\": \"Cosa si usa se le categorie sono pi\u00f9 di due?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Se le categorie non hanno un ordine (per esempio desktop, mobile e tablet) si usa la regressione logistica multinomiale, in R con multinom() del pacchetto nnet. Se hanno un ordine naturale (basso, medio, alto) si usa la regressione logistica ordinale, in R con polr() del pacchetto MASS.\"}}, {\"@type\": \"Question\", \"name\": \"Qual \u00e8 la soglia giusta per classificare?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Dipende dal costo dei due tipi di errore e da quanto \u00e8 frequente l'evento. Con eventi rari, come le conversioni, la soglia di 0,5 porta spesso a non segnalare mai niente. Conviene guardare la tabella delle previsioni per pi\u00f9 soglie, oppure l'AUC per valutare il modello indipendentemente dalla soglia.\"}}, {\"@type\": \"Question\", \"name\": \"Quanti dati servono per una regressione logistica?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Conta soprattutto il numero di eventi, cio\u00e8 dei casi nella categoria meno frequente. Una regola pratica diffusa ne chiede almeno una decina per ogni predittore: con 50 conversioni, meglio non andare oltre quattro o cinque variabili.\"}}]}<\/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>Si prova la soglia 0,2 al posto di 0,1: quante conversioni prende il modello, e con quanti falsi allarmi? Si confronta la precisione con quella a 0,1.<\/li><li>Si toglie il brand dal modello (<code>converte ~ pagine + mobile<\/code>) e si guarda l&#8217;AUC sul test: quanto vale, da sola, l&#8217;informazione sulla query di partenza?<\/li><li>Si porta il coefficiente vero delle pagine da 0,35 a 0,7 nella simulazione: come cambia la forma della curva, e cosa succede alla soglia di 0,5?<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;ultimo esercizio mostra bene il legame fra la forza dei predittori e la difficolt\u00e0 della classificazione: un modello con effetti forti spinge le probabilit\u00e0 verso i bordi, e l\u00ec una soglia vale l&#8217;altra.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p class=\"wp-block-paragraph\">Nel nostro esempio le tre variabili sono indipendenti per costruzione: le pagine viste non dipendono dal dispositivo, il brand non dipende dalle pagine. Nella realt\u00e0 non \u00e8 quasi mai cos\u00ec. Chi arriva da una ricerca col nome del brand tende anche a sfogliare pi\u00f9 pagine, e quando i predittori si sovrappongono i coefficienti diventano instabili e difficili da separare. \u00c8 la <em>multicollinearit\u00e0<\/em>, e insieme ad altri due nomi che spaventano pi\u00f9 di quanto meritino, l&#8217;<a href=\"https:\/\/www.gironi.it\/blog\/multicollinearita-eteroschedasticita-autocorrelazione\/\">eteroschedasticit\u00e0 e l&#8217;autocorrelazione<\/a>, \u00e8 la prossima tappa del nostro viaggio nella regressione.<\/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\">Per vedere la regressione logistica nel suo contesto pi\u00f9 ampio consiglio <a href=\"https:\/\/www.amazon.it\/dp\/8891906190?tag=consulenzeinf-21&amp;ascsubtag=la-regressione-logistica\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>Introduzione all&#8217;econometria<\/em><\/a> di Stock e Watson: dedica un capitolo intero alla regressione con variabile dipendente binaria, parte proprio dal modello lineare di probabilit\u00e0 e dai suoi limiti, e mostra con esempi concreti perch\u00e9 logit e probit li superano.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Prima o poi, ogni analisi del traffico arriva alla domanda che conta davvero: questa visita si \u00e8 trasformata in un cliente, s\u00ec o no? Non ci interessa quanto ha convertito una sessione, ci interessa se l&#8217;ha fatto. E subito dopo viene la domanda successiva: quali sessioni hanno pi\u00f9 probabilit\u00e0 di farlo? Quelle che arrivano da &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/la-regressione-logistica\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Regressione logistica: cos&#8217;\u00e8, come leggere gli odds ratio e un 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":[635,629],"tags":[],"class_list":["post-2631","post","type-post","status-publish","format-standard","hentry","category-ai-it","category-statistica-it"],"lang":"it","translations":{"it":2631,"en":3280},"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":7,"uagb_excerpt":"Prima o poi, ogni analisi del traffico arriva alla domanda che conta davvero: questa visita si \u00e8 trasformata in un cliente, s\u00ec o no? Non ci interessa quanto ha convertito una sessione, ci interessa se l&#8217;ha fatto. E subito dopo viene la domanda successiva: quali sessioni hanno pi\u00f9 probabilit\u00e0 di farlo? Quelle che arrivano da&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2631","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=2631"}],"version-history":[{"count":5,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2631\/revisions"}],"predecessor-version":[{"id":4536,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2631\/revisions\/4536"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=2631"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=2631"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=2631"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}