Introduzione alla modellazione lineare in Python

Qui analizziamo gli elementi che compongono un modello lineare. Usando il concetto di serie di Taylor, ci concentriamo sui parametri pendenza e intercetta, su come definiscono il modello e su come interpretarli in vari contesti applicati. Applichiamo diversi moduli Python per trovare il modello che si adatta meglio ai dati, calcolando i valori ottimali di pendenza e intercetta tramite minimi quadrati, numpy, statsmodels e scikit-learn.

Successivamente applicheremo i modelli a dati reali per fare previsioni. Esploreremo alcune delle insidie e limitazioni più comuni delle previsioni, e valuteremo e confronteremo i modelli quantificando e mettendo a confronto diverse misure di bontà dell’adattamento, tra cui RMSE e R-squared.

Nel capitolo finale introduciamo concetti di statistica inferenziale e li usiamo per mostrare come la stima di massima verosimiglianza e il bootstrap resampling possano essere impiegati per stimare i parametri di un modello lineare. Applichiamo poi questi metodi per formulare affermazioni probabilistiche sulla nostra fiducia nei parametri del modello.