Angelica Limongelli 1021675
Domanda 1:
- In entrambi i formati, l’ANOVA è significativa poiché p-value < 0.05;
-R-quadro è il quadrato del coefficiente di correlazione r tra x e y, detto ciò si osserva che
nel formato A, R-quadro è uguale a 0,455 che approssimativamente presenta una soglia
‘’bassa’’. Anche nel formato B, l’R-quadro è 0.42 e presenta una soglia ‘’bassa’’;
Per la regressione multipla si preferisce valutare R-quadro corretto: esso valuta la ‘’bontà di
approssimazione’’ ed è utile nel confronto fra modelli ed è sempre più piccolo di R-quadro
ed ha lo scopo di penalizzare variabili indipendenti poco importanti cioè che non
influenzano in alcun modo la variabile dipendente. Nel formato A, R-quadro corretto è 0.44
e nel formato B è di 0.41 quindi i predittori nell’insieme stimano discretamente l’intention
to Buy.
- Nel formato A, gli attributi che influenzano significativamente la nostra variabile
dipendente sono: ‘’è innovativo’’, ‘’è trendy’’ e ‘’ha una forma inconfondibile’’. Questi
attributi hanno un impatto significativo sull’intention to Buy poiché < 0.05. Gli attributi
rimanenti non influenzano l’intention to Buy poiché > 0.005 (soglia convenzionale).
- Nel formato B, gli attributi che influenzano significativamente la variabile dipendente sono
‘’è elegante’’, ‘’è attraente’’ e ‘’ha una forma inconfondibile’’ poiché < 0.05. Tutti gli altri
attributi, essendo >0.05 non hanno alcun impatto significativo sulla variabile dipendente;
E’ possibile anche valutare se i coefficienti influenzano positivamente (segno +) la dipendente e
quindi che la variabile dipendente cresce, in media, al crescere del predittore; In caso contrario, se
il coefficiente è negativo, esso influenza negativamente la variabile dipendente.
Domanda 2:
L’analisi fattoriale è un insieme di tecniche statistiche utilizzate per ricercare l’esistenza di variabili
latenti a partire una serie di variabili osservate.
L’obiettivo dell’analisi fattoriale è capire se queste variabili misurabili sono effettivamente adatte a
spiegare un determinato concetto che per sua natura non può essere direttamente misurato.
Quindi gli obiettivi e le principali applicazioni dell’analisi consistono nel trovare un numero
relativamente piccolo di costrutti che possano riassumere e spiegare in maniera adeguata un
numero più ampio di variabili, in modo da ridurre il numero delle variabili e individuare strutture
nelle relazioni tra le variabili, ovvero classificare le variabili.
i “primi” fattori estratti sono facilmente interpretabili mentre gli “ultimi”, soprattutto se ne sono
stati estratti molti o se la matrice delle correlazioni iniziale fra le variabili contiene molti valori
bassi, sono spesso difficilmente interpretabili o saturi di una sola variabile e quindi fattori specifici
di quella variabile.
L’interpretazione delle componenti si basa sulla matrice di struttura che rappresenta la relazione
tra variabili e componenti. Se si estraggono tutte le componenti si produce esattamente la
varianza della matrice dei dati, con meno componenti si sintetizza maggiormente il fenomeno e
infine con più componenti se ne spiega una percentuale maggiore.
Per esempio: Il fattore 1 è quello che sintetizza maggiormente la “qualità” di tutte le componenti.
Nel fattore 2 andiamo ad individuare le componenti principali con i pesi più alti (in valore assoluto)
dando un nome che sintetizzi le componenti prese in considerazione e così via per gli altri fattori..
