LABORATORIO 6 – CONFRONTO TRA DUE O PIU' RETTE DI ...
LABORATORIO 6 – CONFRONTO TRA DUE O PIU' RETTE DI ...
LABORATORIO 6 – CONFRONTO TRA DUE O PIU' RETTE DI ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Laboratorio 6 <strong>–</strong> Test del parallelismo<br />
In entrambe le regressioni i coefficienti sono altamente signicicativi. Non sembra che ci sia una differenza<br />
sostanziale tra le pendenze delle 2 rette. Invece per le intercette si nota una differenza marcata. A questo<br />
punto si vuole verificare l’importanza delle due fonti di variazione (attività ed età) sulla pressione sistolica.<br />
In particolare focalizzeremo l’attenzione sull’andamento della pressione in funzione dell’età per ciascun<br />
gruppo, in maniera da verificare se i due andamenti sono uguali o diversi. L’eventuale diversità negli<br />
andamenti indicherebbe una interazione tra l’età e l’attività fisica. Per valutare la presenza di interazione<br />
significativa faremo il confronto tra la devianza residua del modello con l’interazione (modello senza vincoli<br />
di parallelismo e quindi con pendenze e intercette diverse) con quella del modello additivo (modello con<br />
rette parallele e quindi con pendenze uguali e intercette diverse) mediante il test F parziale (test del<br />
parallelismo).<br />
Da notare che l’interazione è il prodotto delle due variabili esplicative:<br />
Se attivita=0 allora interazione=0*età=0<br />
Se attivita=1 allora interazione=1*età=età.<br />
Analizziamo il modello con le interazioni y^=a+b1attivita+b2età+b3interazione:<br />
NB: se attivita=0 allora y^=a+ b2età, se attivita=1 allora y^=(a+b1)+(b2+b3)età<br />
> LinearModel.completo summary(LinearModel.completo)<br />
Call:<br />
lm(formula = p_max ~ età * attivita, data = Dataset)<br />
Residuals:<br />
Min 1Q Median 3Q Max<br />
-6.64129 -1.76138 0.06622 2.11249 4.24211<br />
Coefficients:<br />
Estimate Std. Error t value Pr(>|t|)<br />
(Intercept) 76.51672 3.10359 24.654 < 2e-16 ***<br />
età 0.76166 0.04080 18.670 < 2e-16 ***<br />
attivita[T.1] -12.17111 4.00586 -3.038 0.00391 **<br />
età:attivita[T.1] -0.06498 0.05573 -1.166 0.24962<br />
---<br />
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<br />
Residual standard error: 2.683 on 46 degrees of freedom<br />
Multiple R-Squared: 0.9727, Adjusted R-squared: 0.9709<br />
F-statistic: 545.8 on 3 and 46 DF, p-value: < 2.2e-16<br />
Si nota la non significatività dell’interazione tramite t test. Oppure si effettua il test F confrontando il<br />
modello additivo con quello saturo (H0: b3=età:attivita[T.1]=0). E’ possibile utilizzare il t test solo quando<br />
l’H0 è formulata su un solo parametro (infatti t 2 =F), altrimenti non posso utilizzarlo (infatti t 2 ≠F).<br />
Analizziamo il modello additivo (senza interazioni) y^=a+b1attivita+b2età:<br />
NB: quando attivita=0 allora y^=a+ b2età, quando attivita=1 allora y^=(a+b1)+b2età<br />
> LinearModel.additivo Anova(LinearModel.additivo)<br />
Anova Table (Type II tests)<br />
Response: p_max<br />
Sum Sq Df F value Pr(>F)<br />
età 4923.9 1 678.72 < 2.2e-16 ***<br />
3