Modelli Log-lineari Bivariati - Skuola.net
Modelli Log-lineari Bivariati - Skuola.net
Modelli Log-lineari Bivariati - Skuola.net
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
<strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> <strong>Bivariati</strong><br />
Luca Stefanutti<br />
Università di Padova<br />
Dipartimento di Psicologia Applicata<br />
Via Venezia 8, 35131 Padova<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 1 / 71
Contenuti<br />
1 Il Modello Additivo<br />
2 Proprietà del Modello Additivo<br />
3 Modello <strong>Log</strong>-lineare di Analisi Multipla<br />
4 Stima dei Parametri<br />
5 Varianza ed Errore Standard della Stima<br />
6 La Standardizzazione dei Parametri<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 2 / 71
Il Modello Additivo<br />
Modello Moltiplicativo e Modello Additivo<br />
Il modello di indipendenza è un modello moltiplicativo:<br />
pij = pi.p.j<br />
Ad esso corrisponde biunivocamente una rappresentazione<br />
additiva (modello additivo) ottenuta attraverso una semplice<br />
trasformazione logaritmica:<br />
ln pij = ln pi. + ln p.j<br />
Questa rappresentazione è in generale più semplice da trattare<br />
della precedente e consente lo sviluppo di modelli basati su<br />
equazioni <strong>lineari</strong> (come accade ad es. nell’analisi della varianza o<br />
nella regressione)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 3 / 71
Il Modello Additivo<br />
Modello Moltiplicativo e Modello Additivo<br />
Nel modello moltiplicativo di indipendenza le frequenze teoriche<br />
(attese) sono<br />
Fij = Fi.F.j<br />
N<br />
Nel modello additivo di indipendenza la medesima relazione<br />
assume una forma lineare:<br />
ln Fij = ln Fi. + ln F.j − ln N<br />
Fissata la numerosità del campione, ln Fij è una funzione lineare<br />
dei logaritmi delle frequenze marginali di riga e colonna.<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 4 / 71
Il Modello Additivo<br />
Confronto fra i <strong>Modelli</strong> Moltiplicativo e Additivo<br />
Un Esempio<br />
Le frequenze nella seguente tavola rispettano il modello<br />
(moltiplicativo) di indipendenza<br />
Var 1<br />
Var 2<br />
1 2 3 4 5<br />
1 5.0 10.0 20.0 23.3 31.7 90.0<br />
2 3.9 7.8 15.6 18.1 24.6 70.0<br />
3 2.8 5.6 11.1 13.0 17.6 50.0<br />
4 2.2 4.4 8.9 10.4 14.1 40.0<br />
5 1.1 2.2 4.4 5.2 7.0 20.0<br />
15.0 30.0 60.0 70.0 95.0 270.0<br />
La trasformazione logaritmica (modello additivo) è la seguente<br />
Var 1<br />
Var 2<br />
1 2 3 4 5<br />
1 1.61 2.30 3.00 3.15 3.46 4.50<br />
2 1.36 2.05 2.74 2.90 3.20 4.25<br />
3 1.02 1.71 2.41 2.56 2.87 3.91<br />
4 0.80 1.49 2.18 2.34 2.64 3.69<br />
5 0.11 0.80 1.49 1.65 1.95 3.00<br />
2.71 3.40 4.09 4.25 4.55 5.60<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 5 / 71
Il Modello Additivo<br />
Confronto fra i <strong>Modelli</strong> Moltiplicativo e Additivo<br />
Un Esempio<br />
Nei due diagrammi seguenti ogni segmento di retta corrisponde a<br />
una riga della tavola<br />
Frequenza Attesa (F ij )<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
MODELLO MOLTIPLICATIVO<br />
Riga 1<br />
Riga 2<br />
Riga 3<br />
Riga 4<br />
Riga 5<br />
0<br />
0 20 40 60 80 100<br />
Totale marginale di colonna (F )<br />
.j<br />
ln F ij<br />
3.5<br />
3<br />
2.5<br />
2<br />
1.5<br />
MODELLO ADDITIVO<br />
1<br />
Riga 1<br />
Riga 2<br />
0.5<br />
0<br />
Riga 3<br />
Riga 4<br />
Riga 5<br />
2.5 3 3.5 4 4.5 5<br />
ln F<br />
.j<br />
Nel diagramma corrispondente al modello additivo è facile rilevare<br />
l’indipendenza: i segmenti sono tutti tra loro paralleli<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 6 / 71
Il Modello Additivo<br />
Media Generale dei <strong>Log</strong>aritmi<br />
Effettuate le trasformazioni logaritmiche ln Fij, possiamo calcolare<br />
una media generale<br />
µ = 1<br />
rc<br />
r<br />
i=1 j=1<br />
c<br />
ln Fij<br />
Sottraendo µ da ognuna delle log-frequenze ln Fij si effettua un<br />
semplice cambio di scala (traslazione) che pone la media µ<br />
all’origine della scala:<br />
ln Fij − µ<br />
Questo non cambia i reciproci rapporti tra le celle della tavola.<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 7 / 71
Il Modello Additivo<br />
Scarti dalla Media Generale dei <strong>Log</strong>aritmi<br />
Diagramma dei ln Fij a sinistra<br />
Diagramma degli scarti ln Fij − µ dalla media generale a destra<br />
ln F ij<br />
3.5<br />
3<br />
2.5<br />
2<br />
1.5<br />
MODELLO ADDITIVO<br />
1<br />
Riga 1<br />
Riga 2<br />
0.5<br />
0<br />
Riga 3<br />
Riga 4<br />
Riga 5<br />
2.5 3 3.5 4 4.5 5<br />
ln F<br />
.j<br />
ln F ij<br />
1.5<br />
1<br />
0.5<br />
0<br />
−0.5<br />
SCARTI DALLA MEDIA GENERALE<br />
−1<br />
Riga 1<br />
Riga 2<br />
−1.5<br />
−2<br />
Riga 3<br />
Riga 4<br />
Riga 5<br />
2.5 3 3.5 4 4.5 5<br />
ln F<br />
.j<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 8 / 71
Proprietà Notevole<br />
Proprietà del Modello Additivo<br />
Si prenda in esame una qualunque cella (i, j)<br />
Considerando la media dei logaritmi delle frequenze appartenenti<br />
alla riga i<br />
c 1<br />
ln Fil<br />
c<br />
l=1<br />
e la media dei logaritmi delle frequenze appartenti alla colonna j<br />
r 1<br />
ln Fkj<br />
r<br />
k=1<br />
Sotto la condizione di indipendenza si osserva la seguente<br />
proprietà notevole:<br />
ln Fij = 1<br />
c<br />
c<br />
l=1<br />
ln Fil + 1<br />
r<br />
r<br />
ln Fkj − µ<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 9 / 71<br />
k=1
Proprietà del Modello Additivo<br />
Rappresentazione Geometrica della Proprietà<br />
Notevole<br />
Media di riga i<br />
ln Fij<br />
Media generale<br />
ln F.j<br />
Media dei logaritmi<br />
delle frequenze<br />
marginali di colonna<br />
Retta della riga i<br />
Deviazione della media di riga<br />
dalla media generale<br />
Deviazione della media di<br />
colonna dalla media generale<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 10 / 71
Proprietà del Modello Additivo<br />
Dimostrazione Algebrica<br />
Volendo verificare l’uguaglianza<br />
ln Fij = 1<br />
c<br />
c<br />
l=1<br />
ln Fil + 1<br />
r<br />
r<br />
k=1<br />
moltiplichiamo entrambi i termini per rc:<br />
rc ln Fij = r<br />
c<br />
ln Fil + c<br />
l=1<br />
ciò equivale a scrivere<br />
rc ln Fij =<br />
r<br />
k=1 l=1<br />
c<br />
ln Fil +<br />
ln Fkj − 1<br />
rc<br />
r<br />
ln Fkj −<br />
k=1<br />
r<br />
k=1 l=1<br />
c<br />
ln Fkj −<br />
r<br />
k=1 l=1<br />
r<br />
k=1 l=1<br />
r<br />
c<br />
ln Fkl<br />
c<br />
ln Fkl<br />
k=1 l=1<br />
c<br />
ln Fkl<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 11 / 71
Proprietà del Modello Additivo<br />
Dimostrazione Algebrica<br />
Dalla precedente uguaglianza, raccogliendo sotto la medesima<br />
sommatoria si ottiene<br />
rc ln Fij =<br />
r<br />
k=1 l=1<br />
c<br />
(ln Fil + ln Fkj − ln Fkl)<br />
ricordando che, in generale, per indipendenza vale<br />
si può scrivere<br />
rc ln Fij =<br />
r<br />
k=1 l=1<br />
ln Fij = ln Fi. + ln F.j − ln N,<br />
c<br />
(ln Fi. + ln F.l − ln N + ln Fk. + ln F.j − ln N−<br />
− ln Fk. − ln F.l + ln N)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 12 / 71
Proprietà del Modello Additivo<br />
Dimostrazione Algebrica<br />
Semplificando il termine di destra della precedente uguaglianza si<br />
ottiene<br />
r c<br />
rc ln Fij = (ln Fi. + ln F.j − ln N)<br />
k=1 l=1<br />
ed essendo entrambi i termini in parentesi costanti rispetto agli<br />
indici k ed l<br />
rc ln Fij = rc(ln Fi. + ln F.j − ln N)<br />
da cui:<br />
ln Fij = ln Fi. + ln F.j − ln N<br />
L’uguaglianza risulta pertanto verificata.<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 13 / 71
Proprietà del Modello Additivo<br />
Esempio. Media Generale<br />
La seguente è la tavola dei logaritmi delle frequenze Fij ottenuta in<br />
precedenza<br />
Var 2<br />
1 2 3 4 5<br />
1 1.61 2.30 3.00 3.15 3.46 4.50<br />
2 1.36 2.05 2.74 2.90 3.20 4.25<br />
Var 1 3 1.02 1.71 2.41 2.56 2.87 3.91<br />
4 0.80 1.49 2.18 2.34 2.64 3.69<br />
5 0.11 0.80 1.49 1.65 1.95 3.00<br />
2.71 3.40 4.09 4.25<br />
Calcoliamo la media generale dei logaritmi in tabella:<br />
4.55 5.60<br />
µ =<br />
1.61 + 2.30 + · · · + 1.95<br />
5 × 5<br />
= 2.07<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 14 / 71
Proprietà del Modello Additivo<br />
Esempio. Media di Riga<br />
Var 1<br />
Var 2<br />
1 2 3 4 5<br />
1 1.61 2.30 3.00 3.15 3.46<br />
2 1.36 2.05 2.74 2.90 3.20<br />
3 1.02 1.71 2.41 2.56 2.87<br />
4 0.80 1.49 2.18 2.34 2.64<br />
5 0.11 0.80 1.49 1.65 1.95<br />
Calcoliamo la media della riga 1:<br />
1<br />
c<br />
c<br />
ln F1l =<br />
l=1<br />
1.61 + 2.30 + · · · + 3.46<br />
5<br />
= 2.70<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 15 / 71
Proprietà del Modello Additivo<br />
Esempio. Media di Colonna<br />
Var 1<br />
Var 2<br />
1 2 3 4 5<br />
1 1.61 2.30 3.00 3.15 3.46<br />
2 1.36 2.05 2.74 2.90 3.20<br />
3 1.02 1.71 2.41 2.56 2.87<br />
4 0.80 1.49 2.18 2.34 2.64<br />
5 0.11 0.80 1.49 1.65 1.95<br />
Calcoliamo la media della colonna 1:<br />
1<br />
r<br />
r<br />
ln Fk1 =<br />
k=1<br />
1.61 + 1.36 + · · · + 0.11<br />
5<br />
= 0.98<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 16 / 71
Proprietà del Modello Additivo<br />
Esempio. Verifica Numerica<br />
Verifichiamo numericamente la proprietà notevole rispetto alla<br />
cella (1, 1):<br />
ln F11 = 1<br />
5<br />
5<br />
l=1<br />
sostituendo i numeri ai simboli:<br />
ln F1l + 1<br />
5<br />
5<br />
ln Fk1 − µ<br />
k=1<br />
1.61 = 2.70 + 0.98 − 2.07<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 17 / 71
Proprietà del Modello Additivo<br />
Proprietà Notevole e Deviazioni dalla Media<br />
Considerando le deviazioni dalla media generale µ la proprietà<br />
notevole<br />
ln Fij = 1<br />
c<br />
ln Fil +<br />
c<br />
1<br />
r<br />
ln Fkj − µ<br />
r<br />
l=1<br />
k=1<br />
può essere riscritta come (sottraiamo µ da entrambi i termini):<br />
ln Fij − µ = 1<br />
c<br />
c<br />
l=1<br />
ln Fil − µ + 1<br />
r<br />
r<br />
ln Fkj − µ<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 18 / 71<br />
k=1
Proprietà del Modello Additivo<br />
Proprietà Notevole e Deviazioni dalla Media<br />
Si ottiene in questo modo la seguente scomposizione:<br />
ln Fij − µ =<br />
<br />
deviaz. di Fij da media generale<br />
c 1<br />
= ln Fil − µ<br />
c<br />
l=1<br />
<br />
deviaz. riga i da media generale<br />
r 1<br />
+<br />
ln Fkj − µ<br />
r<br />
k=1<br />
<br />
deviaz. colonna j da media generale<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 19 / 71
Proprietà del Modello Additivo<br />
Indichiamo con µ 1(i) la deviazione della riga i dalla media<br />
generale:<br />
µ 1(i) = 1<br />
c<br />
ln Fil − µ<br />
c<br />
Indichiamo con µ 2(j) la deviazione della colonna j dalla media<br />
generale:<br />
µ 2(j) = 1<br />
r<br />
ln Fkj − µ<br />
r<br />
l=1<br />
k=1<br />
Possiamo ora riscrivere la precedente scomposizione come<br />
da cui:<br />
ln Fij − µ = µ 1(i) + µ 2(j)<br />
ln Fij = µ + µ 1(i) + µ 2(j)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 20 / 71
Modello <strong>Log</strong>-lineare di Analisi Multipla<br />
Modello <strong>Log</strong>-lineare di Analisi Multipla<br />
Nel modello log-lineare di analisi multipla, sotto la condizione di<br />
indipendenza, il logaritmo della frequenza attesa Fij si scompone<br />
in:<br />
una media generale µ<br />
una deviazione µ 1(i) della riga i dalla media generale µ<br />
una deviazione µ 2(j) della colonna j dalla media generale µ<br />
Vale cioè il seguente modello additivo:<br />
ln Fij = µ + µ 1(i) + µ 2(j)<br />
Il modello si compone di:<br />
un parametro µ<br />
r parametri µ 1(i), uno per ogni riga i<br />
c parametri µ 2(j), uno per ogni colonna j<br />
totale: r + c + 1 parametri<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 21 / 71
Esempio<br />
Modello <strong>Log</strong>-lineare di Analisi Multipla<br />
Negli esempi precedenti si era ottenuto:<br />
e<br />
1<br />
c<br />
µ =<br />
1.61 + 2.30 + · · · + 1.95<br />
5 × 5<br />
c<br />
ln F1l = 2.70,<br />
l=1<br />
1<br />
r<br />
= 2.07,<br />
r<br />
ln Fk1 = 0.98<br />
I parametri della riga 1 e della colonna 1 risultano pertanto essere<br />
e<br />
µ 1(1) = 1<br />
c<br />
µ 2(1) = 1<br />
r<br />
k=1<br />
c<br />
ln F1l − µ = 2.70 − 2.07 = 0.63<br />
l=1<br />
r<br />
ln Fk1 − µ = 0.98 − 2.07 = −1.09<br />
k=1<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 22 / 71
Modello <strong>Log</strong>-lineare di Analisi Multipla<br />
Vincoli dei Parametri<br />
La somma delle deviazioni di riga dalla media è zero:<br />
r<br />
µ 1(i) = 0<br />
i=1<br />
Analogamente, la somma delle deviazioni di colonna dalla media<br />
è zero:<br />
c<br />
µ 2(j) = 0<br />
j=1<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 23 / 71
Modello <strong>Log</strong>-lineare di Analisi Multipla<br />
Deviazioni Sistematiche dal Modello di Indipendenza<br />
La dipendenza (o non indipendenza) fra due variabili può essere<br />
intesa come una deviazione sistematica dal modello di<br />
indipendenza.<br />
(1,1)<br />
ln Fij secondo il<br />
modello di<br />
indipendenza<br />
(1,2)<br />
(1,3)<br />
(1,4)<br />
(1,5)<br />
(1,6)<br />
Deviazione sistematica<br />
dal modello di<br />
indipendenza<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 24 / 71
Interazione<br />
Modello <strong>Log</strong>-lineare di Analisi Multipla<br />
La deviazione sistematica dal modello di indipendenza può essere<br />
diversa nelle diverse celle della tavola<br />
Essa esprime una interazione tra una specifica categoria della<br />
variabile di riga e una specifica categoria della variabile di colonna<br />
A partire dal modello di indipendenza<br />
ln Fij = µ + µ 1(i) + µ 2(j)<br />
l’interazione è modellata con un parametro µ 12(ij) specifico della<br />
cella (i, j) chiamato parametro di interazione<br />
Si ottiene così un modello di dipendenza specificato nel modo<br />
seguente:<br />
ln Fij = µ + µ 1(i) + µ 2(j) + µ 12(ij)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 25 / 71
Modello <strong>Log</strong>-lineare di Analisi Multipla<br />
Modello <strong>Log</strong>-lineare di Dipendenza (o Saturo)<br />
Nel modello log-lineare di dipendenza (anche detto modello<br />
log-lineare saturo il logaritmo della frequenza attesa Fij si<br />
scompone in<br />
una media generale µ dei logaritmi<br />
una deviazione di riga µ 1(i) dalla media generale<br />
una deviazione di colonna µ 2(j) dalla media generale<br />
una deviazione µ 12(ij) dalla indipendenza (parametro di interazione)<br />
Nel complesso il modello si compone di:<br />
1 parametro µ<br />
r parametri µ 1(i)<br />
c parametri µ 2(j)<br />
rc parametri µ 12(ij)<br />
Totale: 1 + r + c + rc parametri (tuttavia alcuni di essi non sono<br />
liberi di variare, come si vedrà)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 26 / 71
Modello <strong>Log</strong>-lineare di Analisi Multipla<br />
Vincoli dei Parametri di Interazione<br />
La somma entro una qualunque riga i dei parametri di interazione<br />
è zero:<br />
c<br />
µ 12(ij) = 0<br />
j=1<br />
La somma entro una qualunque colonna j dei parametri di<br />
interazione è zero:<br />
r<br />
µ 12(ij) = 0<br />
i=1<br />
Da quanto sopra è evidente che<br />
r<br />
i=1 j=1<br />
c<br />
µ 12(ij) = 0<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 27 / 71
Stima dei Parametri<br />
Stima dei Parametri del Modello Saturo<br />
Per calcolare i parametri del modello saturo è necessario<br />
conoscere le frequenze attese Fij<br />
Tipicamente queste frequenze non sono note e debbono essere<br />
stimate dai dati.<br />
Le stime delle frequenze Fij possono essere impiegate per<br />
stimare i parametri del modello.<br />
Ricordiamo che nel modello saturo la stima per massima<br />
verosimiglianza della probabilità pij è<br />
ˆpij = nij<br />
N<br />
la stima della frequenza attesa Fij è<br />
ˆFij = Nˆpij = nij<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 28 / 71
Stima dei Parametri<br />
Stima dei Parametri del Modello Saturo<br />
Sostituendo le stime ˆ Fij = nij ai valori veri Fij nelle formule di<br />
calcolo dei parametri del modello saturo si ottiene:<br />
ˆµ 1(i) = 1<br />
c<br />
c<br />
j=1<br />
ˆµ = 1<br />
rc<br />
r<br />
i=1 j=1<br />
c<br />
ln nij<br />
ln nij − ˆµ, ˆµ 2(j) = 1<br />
r<br />
r<br />
ln nij − ˆµ<br />
i=1<br />
ˆµ 12(ij) = ln nij − ˆµ − ˆµ 1(i) − ˆµ 2(j)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 29 / 71
Gradi di Libertà<br />
Stima dei Parametri<br />
Dal momento che i parametri µ 1(i) sommano a zero, solamente<br />
r − 1 di essi sono effettivamente stimati dai dati (l’r-esimo<br />
parametro è ottenuto per differenza)<br />
Dal momento che i parametri µ 2(j) sommano a zero, solamente<br />
c − 1 di essi sono effettivamente stimati dai dati (il’c-esimo<br />
parametro è ottenuto per differenza)<br />
Dal momento che i parametri µ 12(ij) sommano a zero sia<br />
attraverso le righe, sia attraverso le colonne, solamente<br />
(r − 1)(c − 1) di essi sono stimati dai dati (gli altri sono ottenuti<br />
per differenza)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 30 / 71
Gradi di Libertà<br />
Stima dei Parametri<br />
Numero di parametri stimati dai dati:<br />
1 parametro µ<br />
r − 1 parametri µ 1(i)<br />
c − 1 parametri µ 2(j)<br />
(r − 1)(c − 1) parametri µ 12(ij)<br />
Totale:<br />
q = 1 + (r − 1) + (c − 1) + (r − 1)(c − 1)<br />
= 1 + r − 1 + c − 1 + rc − r − c + 1<br />
= rc<br />
Numero di celle della tavola effettivamente utilizzate per stimare i<br />
parametri: r × c<br />
Gradi di libertà: rc − q = 0<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 31 / 71
Esercizio/Esempio<br />
Stima dei Parametri<br />
Completiamo l’analisi dei dati sul mancinismo stimando i<br />
parametri del modello saturo<br />
destrimani mancini ambidestri<br />
femmina 1070 92 8 1170<br />
maschio 934 113 20 1067<br />
2004 205 28 2237<br />
Già sappiamo che il modello di indipendenza è stato respinto.<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 32 / 71
Stima dei Parametri<br />
Esempio. <strong>Log</strong>aritmi delle Frequenze Osservate<br />
Calcoliamo innanzitutto i logaritmi delle frequenze nij:<br />
destrimano mancino ambidestro<br />
femmina 6.975 4.522 2.079<br />
maschio 6.839 4.727 2.996<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 33 / 71
Stima dei Parametri<br />
Esempio. Medie Marginali<br />
Calcoliamo quindi le medie di riga...<br />
destrimano mancino ambidestro<br />
femmina 6.975 4.522 2.079 4.526<br />
maschio 6.839 4.727 2.996 4.854<br />
... e le medie di colonna<br />
destrimano mancino ambidestro<br />
femmina 6.975 4.522 2.079<br />
maschio 6.839 4.727 2.996<br />
6.907 4.625 2.538<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 34 / 71
Stima dei Parametri<br />
Esempio. Media Generale<br />
Otteniamo la media generale µ come media delle medie di riga (o,<br />
equivalentemente, come media delle medie di colonna)<br />
destrimano mancino ambidestro<br />
femmina 6.975 4.522 2.079 4.526<br />
maschio 6.839 4.727 2.996 4.854<br />
6.907 4.625 2.538 4.690<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 35 / 71
Stima dei Parametri<br />
Esempio. Deviazioni di Riga dalla Media Generale<br />
Stimiamo il parametro µ 1(1):<br />
ˆµ 1(1) = 1<br />
c<br />
Stimiamo il parametro µ 1(2):<br />
ˆµ 1(2) = 1<br />
c<br />
Osserviamo che<br />
<br />
ln n1j − µ = 4.526 − 4.690 = −0.164<br />
j<br />
<br />
ln n2j − µ = 4.854 − 4.690 = 0.164<br />
j<br />
ˆµ 1(1) = −ˆµ 1(2)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 36 / 71
Stima dei Parametri<br />
Esempio. Deviazioni di Colonna dalla Media Generale<br />
Stimiamo i parametri µ 2(j):<br />
ˆµ 2(1) = 1<br />
r<br />
ˆµ 2(2) = 1<br />
r<br />
ˆµ 2(3) = 1<br />
r<br />
<br />
ln ni1 − µ = 6.907 − 4.690 = 2.218<br />
i<br />
<br />
ln ni2 − µ = 4.625 − 4.690 = −0.065<br />
i<br />
<br />
ln ni3 − µ = 2.538 − 4.690 = −2.152<br />
i<br />
Osserviamo nuovamente (salvo errori di approssimazione)<br />
ˆµ 2(1) + ˆµ 2(2) + ˆµ 2(3) = 2.218 + (−0.065) + (−2.152) = 0<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 37 / 71
Stima dei Parametri<br />
Esempio. Stima dei Parametri di Interazione<br />
La stima del parametro µ 12(11) è<br />
ˆµ 12(11) = ln n11 − ˆµ 1(1) − ˆµ 2(1) − µ<br />
= 6.975 − (−0.164) − 2.218 − 4.690 = 0.232<br />
La stima del parametro µ 12(12) è<br />
ˆµ 12(12) = ln n12 − ˆµ 1(1) − ˆµ 2(2) − µ<br />
= 4.522 − (−0.164) − (−0.065) − 4.690 = 0.062<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 38 / 71
Stima dei Parametri<br />
Esempio. Stima dei Parametri di Interazione<br />
Procedendo in modo simile per tutti gli altri parametri si ottiene:<br />
destrimano mancino ambidestro<br />
femmina 0.232 0.062 ‐0.294<br />
maschio ‐0.232 0.232 ‐0.062 0.062 0.294<br />
E’ facile osservare che i marginali di riga e di colonna sono tutti<br />
zero<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 39 / 71
Stima dei Parametri<br />
Deviazione dall’Indipendenza<br />
Confrontiamo i logaritmi delle frequenze attese secondo il modello<br />
di indipendenza e quelli delle frequenze osservate<br />
ln F ij<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
ambidestri<br />
femmina attese<br />
maschio attese<br />
femmina osservate<br />
maschio osservate<br />
mancini<br />
destrimani<br />
2<br />
3 3.5 4 4.5 5 5.5<br />
ln F<br />
.j<br />
6 6.5 7 7.5 8<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 40 / 71
Varianza ed Errore Standard della Stima<br />
Stima dei Parametri ed Errore Casuale<br />
Il parametro di interazione µ 12(ij) è una misura della deviazione dal<br />
modello di indipendenza nello specifico incrocio tra le categorie i<br />
e j<br />
µ 12(ij) = 0 indica che, nello specifico incrocio (i, j) le due variabili<br />
sono tra loro indipendenti<br />
La stima ˆµ 12(ij) è affetta da errore casuale è può differire dal valore<br />
vero µ 12(ij).<br />
E’ estremamente probabile che ˆµ 12(ij) = 0 anche quando, in effetti<br />
µ 12(ij) = 0<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 41 / 71
Varianza ed Errore Standard della Stima<br />
Errore Standard della Stima<br />
I parametri µ, µ 1(i), µ 2(j), µ 12,(ij) sono stimati per massima<br />
verosimiglianza.<br />
In particolare la distribuzione campionaria delle stime di questi<br />
parametri è normale, con valore atteso uguale al valore vero.<br />
L’ampiezza della distribuzione dipende dall’errore standard della<br />
stima.<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 42 / 71
Varianza ed Errore Standard della Stima<br />
Varianza delle Frequenze Osservate<br />
La frequenza nij osservata nel campione può essere intesa come<br />
la particolare realizzazione di una variabile casuale Nij il cui rango<br />
(insieme delle possibili realizzazioni) è l’insieme dei numeri<br />
naturali<br />
La trasformazione logaritmica ln nij di conseguenza è una<br />
realizzazione della variabile casuale ln Nij<br />
Questa variabile casuale ha varianza (Plackett, 1962)<br />
var(ln nij) = 1<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 43 / 71<br />
nij
Varianza ed Errore Standard della Stima<br />
Varianza delle Frequenze Osservate<br />
Ricordiamo che, date due variabili casuali X1 e X2 la loro somma<br />
X1 + X2<br />
è anch’essa una variabile casuale avente varianza<br />
In generale, date X1, X2, . . . , Xn,<br />
var(X1 + X2) = var(X1) + var(X2)<br />
var(X1 + X2 + · · · + Xn) = var(X1) + var(X2) + · · · + var(Xn)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 44 / 71
Varianza ed Errore Standard della Stima<br />
Varianza delle Frequenze Osservate<br />
Ricordiamo inoltre che, data una qualunque variabile casuale X<br />
avente varianza var(X) e una costante numerica a, il prodotto<br />
aX<br />
è anch’esso una variabile casuale e la sua varianza è<br />
Dunque:<br />
a 2 var(X)<br />
var(a ln nij) = a2<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 45 / 71<br />
nij
Varianza ed Errore Standard della Stima<br />
Varianza del Parametro µ 1(i)<br />
Considerata la k-esima riga di una tavola r × c, ci proponiamo di<br />
derivare la varianza della stima del parametro µ 1(k):<br />
⎛<br />
var(ˆµ 1(k)) = var ⎝ 1<br />
c<br />
⎛<br />
= var ⎝ 1<br />
c<br />
⎞<br />
c<br />
ln nkj − ˆµ ⎠<br />
j=1<br />
c<br />
j=1<br />
ln nkj − 1<br />
rc<br />
r<br />
i=1 j=1<br />
⎞<br />
c<br />
ln nij⎠<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 46 / 71
Varianza ed Errore Standard della Stima<br />
Varianza del Parametro µ 1(i)<br />
Alcune semplici osservazioni ci porteranno a riscrivere<br />
⎛<br />
var ⎝ 1<br />
c<br />
ln nkj −<br />
c<br />
1<br />
⎞<br />
r c<br />
ln nij⎠<br />
rc<br />
nella forma<br />
j=1<br />
⎛<br />
r<br />
var ⎝<br />
c<br />
i=1 j=1<br />
i=1 j=1<br />
aij ln nij<br />
Infatti esistono particolari scelte dei coefficienti aij che rendono le<br />
due scritture soprastanti fra loro equivalenti<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 47 / 71<br />
⎞<br />
⎠
Varianza ed Errore Standard della Stima<br />
I Coefficenti aij. Esempio<br />
Consideriamo ad esempio una tavola 3 × 4 e calcoliamo la stima<br />
della deviazione di riga µ 1(1)<br />
ˆµ 1(1) = 1<br />
4 (ln n11 + ln n12 + ln n13 + ln n14)−<br />
− 1<br />
12 (ln n11 + ln n12 + ln n13 + ln n14)<br />
− 1<br />
12 (ln n21 + ln n22 + ln n23 + ln n24)<br />
− 1<br />
12 (ln n31 + ln n32 + ln n33 + ln n34)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 48 / 71
Varianza ed Errore Standard della Stima<br />
I Coefficenti aij. Esempio<br />
La precedente equazione può essere riscritta come<br />
ˆµ 1(1) = 3<br />
12 (ln n11 + ln n12 + ln n13 + ln n14)−<br />
− 1<br />
12 (ln n11 + ln n12 + ln n13 + ln n14)<br />
− 1<br />
12 (ln n21 + ln n22 + ln n23 + ln n24)<br />
− 1<br />
12 (ln n31 + ln n32 + ln n33 + ln n34)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 49 / 71
Varianza ed Errore Standard della Stima<br />
I Coefficenti aij. Esempio<br />
Segue che<br />
da cui<br />
3 − 1<br />
ˆµ 1(1) =<br />
12 (ln n11 + ln n12 + ln n13 + ln n14)−<br />
− 1<br />
12 (ln n21 + ln n22 + ln n23 + ln n24)<br />
− 1<br />
12 (ln n31 + ln n32 + ln n33 + ln n34)<br />
ˆµ 1(1) = 2<br />
12 ln n11 + 2<br />
12 ln n12 + 2<br />
12 ln n13 + 2<br />
ln n14+<br />
<br />
12<br />
− 1<br />
<br />
ln n21 + −<br />
12<br />
1<br />
<br />
<br />
ln n22 + · · · + −<br />
12<br />
1<br />
<br />
ln n34<br />
12<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 50 / 71
Varianza ed Errore Standard della Stima<br />
I Coefficenti aij. Esempio<br />
Se definiamo i coefficienti aij nel modo seguente:<br />
aij =<br />
allora possiamo scrivere<br />
ˆµ 1(1) =<br />
<br />
2/12 se i = 1<br />
−1/12 se i = 1<br />
r<br />
c<br />
i=1 j=1<br />
aij ln nij<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 51 / 71
Varianza ed Errore Standard della Stima<br />
I Coefficienti aij per il Parametro µ 1(i)<br />
In generale, data una tavola r × c, considerata la k-esima riga<br />
della tavola possiamo scrivere:<br />
dove:<br />
ˆµ 1(k) =<br />
aij =<br />
r<br />
c<br />
i=1 j=1<br />
<br />
r−1<br />
rc<br />
− 1<br />
rc<br />
aij ln nij<br />
se i = k<br />
se i = k<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 52 / 71
Varianza ed Errore Standard della Stima<br />
Varianza della Stima del Parametro µ1<br />
Possiamo ora derivare la varianza della stima del parametro µ 1(k):<br />
⎛<br />
r<br />
var(ˆµ 1(k)) = var ⎝<br />
c<br />
i=1 j=1<br />
aij ln nij<br />
Per la proprietà delle variabili casuali somma di variabili casuali:<br />
var(ˆµ 1(k)) =<br />
Essendo aij una costante:<br />
var(ˆµ 1(k)) =<br />
r<br />
i=1 j=1<br />
r<br />
i=1 j=1<br />
⎞<br />
⎠<br />
c<br />
var(aij ln nij)<br />
c<br />
a 2 ij var(ln nij)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 53 / 71
Varianza ed Errore Standard della Stima<br />
Errore Standard della Stima del Parametro µ1<br />
Essendo var(ln nij) = 1/nij si ottiene infine:<br />
var(ˆµ 1(k)) =<br />
r<br />
c<br />
a 2 ij<br />
nij<br />
i=1 j=1<br />
L’errore standard della stima del parametro µ 1(k) è<br />
<br />
<br />
<br />
<br />
r<br />
s(ˆµ 1(k)) = var(ˆµ 1(k)) = <br />
c<br />
a 2 ij<br />
nij<br />
i=1 j=1<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 54 / 71
Esempio<br />
Varianza ed Errore Standard della Stima<br />
Calcoliamo la varianza e l’errore standard della stima ˆµ 1(1) per la<br />
tavola sul mancinismo.<br />
Si tratta di una tavola 2 × 3: r = 2, c = 3<br />
I coefficienti aij sono:<br />
se i = 1 e<br />
se i = 2<br />
aij =<br />
r − 1<br />
rc<br />
aij = − 1<br />
rc<br />
2 − 1 1<br />
= =<br />
2 × 3 6<br />
= −1<br />
6<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 55 / 71
Esempio<br />
Varianza ed Errore Standard della Stima<br />
Approntiamo la seguente tabella di calcolo:<br />
Si ottiene dunque:<br />
e<br />
i j aij nij a 2 ij /nij<br />
1 1 1/6 1070 .0000 +<br />
1 2 1/6 92 .0003 +<br />
1 3 1/6 8 .0035 +<br />
2 1 −1/6 934 .0000 +<br />
2 2 −1/6 113 .0002 +<br />
2 3 −1/6 20 .0014 =<br />
.0055<br />
s(ˆµ 1(1)) =<br />
var(ˆµ 1(1)) = .0055<br />
<br />
var(ˆµ 1(1)) = .0739<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 56 / 71
Varianza ed Errore Standard della Stima<br />
Varianza delle Stime del Parametro µ2<br />
Seguendo analoghe considerazioni per il parametro µ 2(l) si<br />
ottiene:<br />
r c a<br />
var(ˆµ 2(l)) =<br />
2 ij<br />
nij<br />
i=1 j=1<br />
In questo caso, tuttavia i coefficienti aij sono<br />
aij =<br />
<br />
c−1<br />
rc<br />
− 1<br />
rc<br />
se j = l<br />
se j = l<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 57 / 71
Esempio<br />
Varianza ed Errore Standard della Stima<br />
Approntiamo la seguente tabella di calcolo:<br />
Si ottiene dunque:<br />
e<br />
i j aij nij a 2 ij /nij<br />
1 1 2/6 1070 .0001 +<br />
1 2 −1/6 92 .0003 +<br />
1 3 −1/6 8 .0035 +<br />
2 1 2/6 934 .0001 +<br />
2 2 −1/6 113 .0002 +<br />
2 3 −1/6 20 .0014 =<br />
.0056<br />
s(ˆµ 2(1)) =<br />
var(ˆµ 2(1)) = .0056<br />
<br />
var(ˆµ 1(1)) = .0750<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 58 / 71
Varianza ed Errore Standard della Stima<br />
Varianza delle Stime del Parametro µ12<br />
La varianza del parametro µ 12(kl) ha anch’essa forma generale<br />
var(µ 12(kl)) =<br />
r<br />
c<br />
a 2 ij<br />
nij<br />
i=1 j=1<br />
Tuttavia, i coefficienti aij sono definiti nel modo seguente:<br />
⎧<br />
(r−1)(c−1)<br />
rc se i = k e j = l<br />
⎪⎨<br />
−<br />
aij =<br />
⎪⎩<br />
(r−1)<br />
rc se i = k e j = l<br />
− (c−1)<br />
rc se i = k e j = l<br />
se i = k e j = l<br />
1<br />
rc<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 59 / 71
Varianza ed Errore Standard della Stima<br />
Coefficienti aij per la Varianza del Parametro µ12<br />
Valori dei coefficienti aij per il calcolo della varianza della stima del<br />
parametro µ 12(kl)<br />
1<br />
2<br />
. .<br />
k − r−1<br />
rc<br />
.<br />
r<br />
1 2 · · · l · · · c<br />
1<br />
rc<br />
1<br />
rc · · · − c−1<br />
1<br />
rc<br />
1<br />
rc · · ·<br />
rc<br />
−<br />
· · · 1<br />
rc<br />
c−1<br />
rc · · · 1<br />
rc<br />
.<br />
1<br />
rc<br />
.<br />
− r−1<br />
rc<br />
· · ·<br />
.<br />
(r−1)(c−1)<br />
rc · · · − r−1<br />
rc<br />
.<br />
.<br />
.<br />
1<br />
rc · · · − c−1<br />
rc · · · 1<br />
rc<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 60 / 71<br />
.
Esempio<br />
Varianza ed Errore Standard della Stima<br />
Calcoliamo i coefficienti aij per la varianza della stima parametro<br />
µ 12(23) in una tavola 3 × 4<br />
1<br />
1 2 3 4<br />
1<br />
12<br />
2 − 2<br />
12<br />
3<br />
1<br />
12<br />
1<br />
12<br />
− 2<br />
12<br />
1<br />
12<br />
− 3<br />
12<br />
6<br />
12<br />
− 3<br />
12<br />
1<br />
12<br />
− 2<br />
12<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 61 / 71<br />
1<br />
12
Varianza ed Errore Standard della Stima<br />
Coefficienti aij per µ 12(22)<br />
Volendo ad esempio calcolare la varianza della stima del<br />
parametro µ 12(22) nella tavola 2 × 3 sul mancinismo:<br />
destrimano mancino ambidestro<br />
maschio 1/6 −2/6 1/6<br />
femmina −1/6 2/6 −1/6<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 62 / 71
Varianza ed Errore Standard della Stima<br />
Calcoliamo la varianza di ˆµ 12(22)<br />
Si ottiene dunque:<br />
e<br />
i j aij nij a 2 ij /nij<br />
1 1 0.167 1070 .0000<br />
1 2 -0.333 92 .0012<br />
1 3 0.167 8 .0035<br />
2 1 -0.167 934 .0000<br />
2 2 0.333 113 .0010<br />
2 3 -0.167 20 .0014<br />
0.000 .0071<br />
s(ˆµ 12(22)) =<br />
var(ˆµ 12(22)) = .0071<br />
<br />
var(ˆµ 12(22)) = .0843<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 63 / 71
La Standardizzazione dei Parametri<br />
Standardizzazione dei Parametri<br />
Si consideri ad esempio il parametro µ 12(ij)<br />
Se µ 12(ij) = 0, esso indica una deviazione dall’indipendenza<br />
all’incrocio tra la riga i e la colonna j<br />
Per verificare µ 12(ij) = 0 a partire dalla stima ˆµ 12(ij) si definisce il<br />
seguente sistema di ipotesi:<br />
H0 : µ 12(ij) = 0 (non c’è deviazione dall’indipendenza)<br />
H1 : µ 12(ij) = 0 (c’è deviazione dall’indipendenza)<br />
La statistica-test è<br />
z 12(ij) =<br />
ˆµ 12(ij)−0<br />
<br />
var(ˆµ 12(ij))<br />
Per N → ∞ la distribuzione di z 12(ij) si approssima a una<br />
distribuzione normale con media 0 e deviazione standard 1.<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 64 / 71
La Standardizzazione dei Parametri<br />
Test di Ipotesi Multipli e Simultanei<br />
Dati n test di ipotesi tra loro indipendenti, effettuati<br />
simultaneamente sul medesimo campione, ognuno a un livello di<br />
significatività (probabilità di errore del I ◦ tipo) pari ad α:<br />
Probabilità di non commettere un errore del I ◦ tipo nel singolo test:<br />
1 − α<br />
Probabilità di non commettere un errore del I ◦ tipo in nessuno degli<br />
n test:<br />
(1 − α) n<br />
Probabilità di commettere un errore del I ◦ tipo in almeno uno dei<br />
test:<br />
1 − (1 − α) n<br />
Esempio, scelto α = .05, la probabilità di commettere un errore<br />
del I ◦ tipo in almeno uno di 10 test simultanei è<br />
1 − (1 − .05) 10 = .40<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 65 / 71
La Standardizzazione dei Parametri<br />
Correzione di Bonferroni per Test Multipli Indipendenti<br />
Sia α la probabilità di commettere un errore del I ◦ tipo in almeno<br />
uno di n test simultanei e indipendenti<br />
La correzione di Bonferroni consiste nel valutare ognuno degli n<br />
test a un livello di significatività pari a<br />
α<br />
n<br />
Esempio: con n = 10 test indipendenti, scelto α = .05, il livello di<br />
significatività per ogni singolo test è<br />
Osserviamo che<br />
.05<br />
10<br />
= .005<br />
1 − (1 − .005) 10 ≈ .05 = α<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 66 / 71
La Standardizzazione dei Parametri<br />
Correzione di α per i Parametri di Interazione<br />
Ipotesi Monodirezionale (a Una Coda)<br />
Volendo verificare l’ipotesi che ognuna delle stime dei parametri di<br />
interazione ˆµ 12(ij) sia maggiore (risp. minore) di zero (ipotesi<br />
monodirezionale) si effettuano complessivamente r × c test<br />
statistici<br />
Gli r × c test tuttavia non sono indipendenti a causa dei vincoli<br />
introdotti sui parametri di interazione<br />
Si hanno complessivamente (r − 1)(c − 1) parametri liberi di<br />
variare<br />
Questo è anche il numero di test tra loro indipendenti<br />
La correzione è dunque:<br />
α<br />
(r − 1)(c − 1)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 67 / 71
La Standardizzazione dei Parametri<br />
Correzione di α per i Parametri di Interazione<br />
Ipotesi Bidirezionale (a Due Code)<br />
Se l’ipotesi è bidirezionale è necessario dividere ulteriormente per<br />
due:<br />
α<br />
2(r − 1)(c − 1)<br />
Esempio: fissato α a .05 in una tavola 2 × 3 il livello di<br />
significatività per il test bidirezionale della stima del parametro<br />
ˆµ 12(ij) sarà<br />
.05 .05<br />
= = .0125<br />
2(2 − 1)(3 − 1) 4<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 68 / 71
Esempio<br />
La Standardizzazione dei Parametri<br />
Stima del parametro µ 12(22):<br />
Errore standard:<br />
Parametro standardizzato:<br />
ˆµ 12(22) = −.062<br />
s(ˆµ 12(22)) = .0843<br />
z12(22) = ˆµ 12(22) −.062<br />
= = −.735<br />
s(ˆµ 12(22)) .0843<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 69 / 71
Esempio<br />
La Standardizzazione dei Parametri<br />
Livello di significatività - ipotesi bidirezionale<br />
Valore critico:<br />
.05 .05<br />
= = .0125<br />
2(2 − 1)(3 − 1) 4<br />
|z.0125| = 2.24<br />
Decisione statistica: essendo |z 12(22)| = .735 minore di<br />
|z.0125| = 2.24 non si respinge l’ipotesi nulla<br />
Non possiamo concludere che µ 12(22) sia diverso da zero<br />
Non possiamo concludere che all’incrocio tra la categoria maschio<br />
e la categoria mancino vi sia una deviazione dall’indipendenza<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 70 / 71
Correzione di α<br />
La Standardizzazione dei Parametri<br />
In generale, con ipotesi bidirezionale:<br />
α<br />
2gdl<br />
Parametri delle deviazioni di riga µ 1(i):<br />
α<br />
2(r − 1)<br />
Parametri delle deviazioni di colonna µ 2(j):<br />
Parametri di interazione µ 12(ij):<br />
α<br />
2(c − 1)<br />
α<br />
2(r − 1)(c − 1)<br />
L.Stefanutti (Università di Padova) <strong>Modelli</strong> <strong>Log</strong>-<strong>lineari</strong> 71 / 71