Progetto del corso High dimensional data (Laurea magistrale Data Science)
Abstract
Detecting interaction effect
Talvolta si è soliti rappresentare un fenomeno esaminando il solo impatto delle variabili esplicative prese singolarmente. Questo approccio risulta più semplice e facilmente interpretabile, ma non sempre coerente alla realtà. In molte situazioni è possibile migliorare la capacità previsiva del modello considerando l’effetto congiunto di due o più predittori.
Per poter meglio cogliere l’importanza delle interazioni si consideri il seguente esempio:
“si supponga di voler massimizzare la resa di un campo di grano utilizzando acqua e fertilizzante. Qualora si utilizzasse la quantità ottima di fertilizzante ma senza usare acqua il campo non renderebbe nulla poiché le piante non potrebbero crescere senza acqua. Se, invece, si utilizzasse la quantità ottima d’acqua ma senza fertilizzante la resa del campo sarebbe buona, ma non ottimale, poiché le piante necessiterebbero comunque del fertilizzante.Per massimizzare il rendimento ottenibile dal campo è necessario combinare acqua e fertilizzante nella quantità ottimale poiché questi due fattori interagiscono tra loro.”
Da questo esempio si comprende che, talvolta, per poter rappresentare correttamente un fenomeno è necessario introdurre un’interazione tra le variabili coinvolte.
Formalmente, si può dire che due predittori interagiscono se il loro effetto congiunto sulla variabile dipendente è diverso da quello che ci si aspetta valutandoli singolarmente.
Approfondimento del capitolo: https://bookdown.org/max/FES/detecting-interaction-effects.html
Cattaneo Andrea
Cosentino Alessandro
Marzorati Stefano