Studiare la realtà significa prima di tutto comprendere le relazioni tra i fenomeni che la compongono. In ambiti diversi – dalla medicina alle scienze sociali, dall’economia alla psicologia fino alle scienze naturali e biologiche – i modelli di regressione sono uno strumento essenziale per andare oltre l’intuizione e analizzare in modo fondato i dati disponibili. Si tratta di strumenti di analisi statistica dei dati che, dopo formalizzazione matematico-probabilistica, permettono di comprendere se e come l’andamento di uno o più fenomeni è associato con l’andamento di un fenomeno di interesse.
Saper interpretare correttamente i risultati di una regressione non è quindi una competenza riservata agli specialisti dei dati: è, piuttosto, una capacità fondamentale per chiunque voglia studiare la realtà con metodo, evitando che l’analisi delle relazioni tra fenomeni resti una mera speculazione. È questa la tesi da cui muove il MOOC “Introduzione al modello di regressione lineare”, pensato per fornire basi solide e superare i limiti della sola regressione lineare semplice. Ne parliamo con Silvia Bacci, Marco Doretti, Leonardo Grilli e Carla Rampichini, docenti del Dipartimento di Statistica, Informatica, Applicazioni “G. Parenti”.
A quali esigenze formative risponde questo corso?
La regressione lineare è uno degli strumenti più utilizzati per studiare le relazioni tra fenomeni reali, e il modello più semplice da cui derivano formulazioni più complesse. Proprio per questo, una conoscenza solida dei suoi fondamenti è indispensabile. Da qui nasce l’idea di un MOOC pensato per chi vuole andare oltre l’intuizione e imparare a leggere i dati con metodo: uno strumento agile, fruibile nei modi e nei temi che si preferiscono, per acquisire rapidamente le basi della regressione lineare multipla.
Chi sono i destinatari ideali di questo corso?
Nel progettare il corso online abbiamo avuto in mente in primo luogo gli studenti universitari, i dottorandi e gli specializzandi che, nella loro attività di studio e ricerca, devono applicare strumenti statistici e si accorgono di avere competenze limitate alla sola regressione lineare semplice solo quando si trovano ad affrontare problemi concreti. Abbiamo però tenuto a mente anche i docenti di matematica delle scuole superiori, che possono utilizzare la regressione lineare come esempio concreto dell’applicazione della funzione lineare prevista nei programmi. Per seguire con profitto il corso sono richiesti alcuni prerequisiti come una preparazione di base in analisi esplorativa dei dati, inferenza statistica e verifica di ipotesi per un campione, oltre a una conoscenza elementare di R.
Quali sfide ha comportato per voi, e comporta per i fruitori, un corso interamente online e asincrono?
Per noi docenti lavorare in modalità asincrona significa puntare sulla massima chiarezza: ogni parola, ogni grafico e ogni formula devono essere selezionati con attenzione, come è stato in questo caso, evitando ridondanze. L’obiettivo è accompagnare ogni fruitore del corso passo dopo passo, anche in assenza di un’interazione diretta.
La divisione di ogni unità didattica in una parte teorica e in una parte applicata in R, replicabile in autonomia, permette di collegare in maniera diretta la dimensione operativa ai contenuti teorici: i risultati prodotti dal software diventano così uno strumento per vedere come i concetti si traducono in pratica.
Cosa impareranno concretamente i partecipanti?
Il MOOC fornisce sia basi teoriche sia applicazioni pratiche in R. Si impara a implementare analisi di regressione lineare multipla su dati propri e a interpretarne correttamente i risultati, comprendendo la relazione tra una variabile di risposta e più variabili esplicative. Si tratta di competenze immediatamente spendibili nell’analisi di dati reali.
Quali prospettive apre questo percorso?
La regressione lineare è il punto di partenza di molti modelli statistici più complessi, come quelli per dati binari, longitudinali o multilivello. Acquisirne i principi significa dotarsi degli strumenti metodologici necessari per proseguire negli studi o per operare in contesti professionali in cui l’analisi dei dati è centrale.
