Calcolo R2 Excel

Calcola il coefficiente di determinazione (R²) per valutare la bontà di adattamento del tuo modello di regressione

Guida Completa al Calcolo R² in Excel

Il coefficiente di determinazione, comunemente indicato come R² (R quadrato), è una misura statistica che indica la proporzione della varianza nella variabile dipendente che è prevedibile dalla variabile indipendente. In altre parole, R² ci dice quanto bene i dati si adattano a un modello di regressione lineare.

Cos’è esattamente R²?

R² rappresenta la percentuale della variabilità del fenomeno studiato che viene spiegata dal modello di regressione. Il suo valore varia tra 0 e 1, dove:

• 0 indica che il modello non spiega alcuna variabilità dei dati
• 1 indica che il modello spiega tutta la variabilità dei dati

Formula per il calcolo di R²

La formula matematica per calcolare R² è:

R² = 1 – (SS_res / SS_tot)

Dove:

• SS_res è la somma dei quadrati dei residui (differenze tra valori osservati e valori previsti)
• SS_tot è la somma totale dei quadrati (differenze tra valori osservati e media dei valori osservati)

Come calcolare R² in Excel

Excel offre diversi metodi per calcolare R²:

1. Utilizzando la funzione R.QDR

   Se hai già calcolato i valori previsti dal tuo modello di regressione, puoi usare:

   =R.QDR(valori_osservati; valori_previsti)

2. Utilizzando la regressione lineare

   Puoi usare lo strumento di analisi dei dati per eseguire una regressione lineare:

   1. Vai su Dati → Analisi dati → Regressione
   2. Seleziona l’intervallo di input Y e X
   3. Spunta “Etiquette” se hai intestazioni
   4. Seleziona un intervallo di output
   5. Clicca OK

   Il valore R² apparirà nei risultati dell’output

3. Calcolo manuale

   Puoi calcolare manualmente R² usando le formule:

   =1 – (DEV.SQ(valori_osservati – valori_previsti) / DEV.SQ(valori_osservati – MEDIA(valori_osservati)))

Interpretazione dei valori R²

Valore R²	Interpretazione	Esempio di contesto
0.90 – 1.00	Adattamento eccellente	Leggi fisiche precise
0.70 – 0.89	Adattamento buono	Modelli econometrici
0.50 – 0.69	Adattamento moderato	Scienze sociali
0.30 – 0.49	Adattamento debole	Comportamento umano
0.00 – 0.29	Nessun adattamento	Dati casuali

Limitazioni di R²

Sebbene R² sia una metrica utile, presenta alcune limitazioni:

• Non indica causalità: Un alto R² non implica che X causi Y
• Sensibile agli outlier: Valori anomali possono distorcere significativamente R²
• Può essere fuorviante con dati non lineari: R² misura solo la bontà di adattamento lineare
• Aumenta con più variabili: L’aggiunta di variabili aumenta sempre R², anche se non sono significative

R² Aggiustato vs R² Normale

L’R² aggiustato corregge la tendenza di R² ad aumentare con l’aggiunta di variabili:

R²_aggiustato = 1 – [(1 – R²) * (n – 1) / (n – p – 1)]

Dove:

• n = numero di osservazioni
• p = numero di variabili indipendenti

Metrica	Formula	Vantaggi	Svantaggi
R²	1 – (SSres/SStot)	Facile da interpretare	Aumenta con più variabili
R² aggiustato	1 – [(1-R²)*(n-1)/(n-p-1)]	Penalizza variabili non significative	Meno intuitivo

Applicazioni pratiche di R²

R² trova applicazione in numerosi campi:

• Finanza: Valutazione di modelli di pricing
• Marketing: Analisi dell’efficacia delle campagne
• Medicina: Studio dell’efficacia dei trattamenti
• Ingegneria: Ottimizzazione dei processi
• Scienze sociali: Analisi dei comportamenti

Errori comuni nel calcolo di R²

1. Usare dati non lineari: R² misura solo relazioni lineari
2. Ignorare gli outlier: Possono distorcere significativamente il risultato
3. Confondere correlazione con causalità: Alto R² ≠ relazione causale
4. Non verificare i presupposti: Normalità, omoschedasticità, indipendenza
5. Usare campioni troppo piccoli: Risultati poco affidabili

Alternative a R²

In alcuni casi, altre metriche possono essere più appropriate:

• RMSE (Root Mean Square Error): Misura l’errore medio
• MAE (Mean Absolute Error): Errore assoluto medio
• AIC/BIC: Criteri di informazione per confrontare modelli
• R² di previsione: Valutazione su dati non usati per il training

Risorse autorevoli

Per approfondire l’argomento, consultare queste risorse:

• NIST/SEMATECH e-Handbook of Statistical Methods – Guida completa sulla regressione
• UC Berkeley Statistics – Corsi avanzati di statistica
• U.S. Census Bureau – Dati e metodi statistici