Che cos’è il modello di regressione lineare semplice?

È un modello che descrive il valore atteso di una variabile risposta come una funzione lineare di una sola variabile esplicativa. In forma concettuale dice che la media della risposta cambia in modo lineare al variare dell’esplicativa, con una parte sistematica e una parte casuale. La parte casuale è racchiusa nell’errore del modello.

Quali sono i ruoli di variabile dipendente e indipendente?

La variabile dipendente, o risposta, è quella che cerchi di spiegare o prevedere; la variabile indipendente, o esplicativa, è quella che usi per spiegare la prima. Nell’interpretazione statistica, però, “indipendente” non vuol dire automaticamente causa: indica solo il ruolo nel modello. Il significato causale va giustificato a parte.

Come si stimano i parametri con i minimi quadrati?

Si sceglie la retta che rende minima la somma dei quadrati degli scarti tra i valori osservati e quelli previsti dal modello. Gli scarti si chiamano residui e rappresentano la parte non spiegata dalla retta. Il criterio dei quadrati penalizza di più gli errori grandi e porta a stime con buone proprietà sotto le ipotesi del modello.

Che cosa rappresenta il coefficiente angolare?

Il coefficiente angolare misura la variazione media attesa della risposta per un aumento di una unità della variabile esplicativa. Se è positivo, la relazione è crescente; se è negativo, è decrescente. La sua interpretazione ha senso solo nelle unità di misura del problema e nel campo dei dati osservati.

Che cosa significa l’intercetta?

L’intercetta è il valore atteso della risposta quando la variabile esplicativa vale zero. È interpretabile solo se zero è un valore possibile e significativo nel contesto del fenomeno. Se zero non ha senso, l’intercetta è un parametro tecnico del modello, non una quantità sostanziale.

Che cosa sono i residui e perché sono importanti?

I residui sono le differenze tra valori osservati e valori stimati dalla retta di regressione. Misurano quanto il modello sbaglia su ciascuna osservazione e servono per valutare l’adattamento del modello e per diagnosticare eventuali violazioni delle ipotesi. Un’analisi dei residui ben fatta permette di capire se il modello lineare è plausibile.

Che cos’è il coefficiente di determinazione?

È una misura della quota di variabilità della risposta spiegata dal modello di regressione. Valori più alti indicano un adattamento migliore ai dati, ma non garantiscono che il modello sia causale o che sia il più adatto dal punto di vista sostanziale. Va letto insieme ai residui e al contesto del problema.

Quali sono le ipotesi principali del modello lineare semplice?

In genere si assume linearità nella media, errore con media nulla, varianza costante e indipendenza degli errori; spesso, per l’inferenza, si aggiunge anche la normalità degli errori. Queste ipotesi servono a giustificare stima, test e intervalli di confidenza. Se sono violate, l’interpretazione e l’inferenza possono diventare poco affidabili.

Perché correlazione non vuol dire causalità?

Perché una relazione statistica tra due variabili può dipendere da una causa comune, da un effetto inverso, da variabili omesse o da semplice associazione non causale. La regressione quantifica la dipendenza media, ma da sola non identifica un effetto causale. Per parlare di causalità servono disegno sperimentale, controllo dei confondenti o altre strategie di identificazione.

Come si valuta se il modello lineare è adeguato?

Si guardano soprattutto grafico dei residui, eventuali pattern sistematici, presenza di outlier e la coerenza del modello con il contesto. Se i residui mostrano struttura, eteroschedasticità o non linearità, il modello lineare semplice può essere inadeguato. Anche il valore di R quadrato da solo non basta: va sempre affiancato alla diagnosi grafica.

Collega regressione lineare e correlazione: in cosa sono simili e in cosa differiscono?

Entrambe descrivono l’associazione tra due variabili, ma la correlazione è simmetrica mentre la regressione è direzionale, perché distingue risposta ed esplicativa. La correlazione misura intensità e verso della relazione lineare, la regressione costruisce un modello per spiegare o prevedere una variabile in funzione dell’altra. Quindi possono essere collegate, ma non sono la stessa cosa.

Collega il modello lineare con il test sull’ipotesi del coefficiente angolare.

Nel modello di regressione si può testare se il coefficiente angolare è nullo, cioè se la variabile esplicativa ha un contributo lineare nella spiegazione della risposta. Se l’ipotesi nulla viene rifiutata, si conclude che c’è evidenza di un’associazione lineare, non automaticamente di un nesso causale. Questo collega la stima del modello all’inferenza statistica.

Da dove parto se il docente mi chiede la regressione lineare?

Parti dalla definizione del modello, poi passa alla stima ai minimi quadrati e all’interpretazione dei coefficienti.

Cosa ripasso se ho poco tempo?

Ripassa bene residui, ipotesi del modello, coefficiente di determinazione e la differenza tra correlazione e causalità.

Come la collego ad altri argomenti all’orale?

Collegala a correlazione, inferenza sui coefficienti e verifica delle ipotesi del modello tramite analisi dei residui.

Guida aggiornata: settembre 2026 · a cura di Skooly · tutte le guide · altre domande di statistica

Domande d'esame sulla regressione lineare: le 12 che escono davvero, con le risposte

Su questo argomento il docente ti chiede quasi sempre di saper definire il modello di regressione lineare semplice, spiegare come si stima con i minimi quadrati e interpretare correttamente i coefficienti. Vuole anche vedere che sai distinguere tra associazione e causalità, e che conosci il ruolo dei residui, delle ipotesi del modello e del coefficiente di determinazione.

In due minuti: La regressione lineare semplice studia la relazione media tra una variabile risposta e una variabile esplicativa, assumendo che il valore atteso della risposta sia una funzione lineare dell’esplicativa. I parametri del modello si stimano di solito con il metodo dei minimi quadrati, cioè scegliendo la retta che minimizza la somma dei quadrati dei residui. Il coefficiente angolare misura la variazione media attesa della risposta per un aumento unitario della variabile esplicativa, mentre l’intercetta è il valore atteso della risposta quando l’esplicativa vale zero, se quel valore ha senso nel contesto. Il coefficiente di determinazione riassume quanta variabilità della risposta è spiegata dal modello. Bisogna però ricordare che una buona regressione non prova un rapporto causale: la causalità richiede ipotesi e disegno di studio adeguati.

I termini che il prof si aspetta: variabile risposta · variabile esplicativa · modello lineare semplice · parametri della retta · minimi quadrati · residui · coefficiente di determinazione · intercetta · coefficiente angolare · ipotesi del modello.

Le domande che escono all'esame

Che cos’è il modello di regressione lineare semplice?

È un modello che descrive il valore atteso di una variabile risposta come una funzione lineare di una sola variabile esplicativa. In forma concettuale dice che la media della risposta cambia in modo lineare al variare dell’esplicativa, con una parte sistematica e una parte casuale. La parte casuale è racchiusa nell’errore del modello.

Cosa vuole sentire: Vuole una definizione precisa del modello e della distinzione tra parte sistematica e variabilità casuale. Errore tipico: Dire che la regressione descrive direttamente tutti i dati senza distinguere tra relazione media ed errore.
Quali sono i ruoli di variabile dipendente e indipendente?

La variabile dipendente, o risposta, è quella che cerchi di spiegare o prevedere; la variabile indipendente, o esplicativa, è quella che usi per spiegare la prima. Nell’interpretazione statistica, però, “indipendente” non vuol dire automaticamente causa: indica solo il ruolo nel modello. Il significato causale va giustificato a parte.

Cosa vuole sentire: Vuole che tu sappia distinguere il ruolo matematico delle variabili dal significato causale. Errore tipico: Confondere il ruolo di regressore con una prova di causalità.
Come si stimano i parametri con i minimi quadrati?

Si sceglie la retta che rende minima la somma dei quadrati degli scarti tra i valori osservati e quelli previsti dal modello. Gli scarti si chiamano residui e rappresentano la parte non spiegata dalla retta. Il criterio dei quadrati penalizza di più gli errori grandi e porta a stime con buone proprietà sotto le ipotesi del modello.

Cosa vuole sentire: Vuole il principio di stima e il significato dei residui, non solo una formula. Errore tipico: Limitarsi a dire che i minimi quadrati “trovano la retta migliore” senza spiegare rispetto a quale criterio.
Che cosa rappresenta il coefficiente angolare?

Il coefficiente angolare misura la variazione media attesa della risposta per un aumento di una unità della variabile esplicativa. Se è positivo, la relazione è crescente; se è negativo, è decrescente. La sua interpretazione ha senso solo nelle unità di misura del problema e nel campo dei dati osservati.

Cosa vuole sentire: Vuole un’interpretazione sostanziale, con il segno e l’unità di misura. Errore tipico: Interpretarlo come variazione assoluta della singola osservazione invece che della media condizionata.
Che cosa significa l’intercetta?

L’intercetta è il valore atteso della risposta quando la variabile esplicativa vale zero. È interpretabile solo se zero è un valore possibile e significativo nel contesto del fenomeno. Se zero non ha senso, l’intercetta è un parametro tecnico del modello, non una quantità sostanziale.

Cosa vuole sentire: Vuole che tu non dia per scontato il significato dell’intercetta. Errore tipico: Attribuire sempre un’interpretazione reale all’intercetta anche quando x = 0 è fuori contesto.
Che cosa sono i residui e perché sono importanti?

I residui sono le differenze tra valori osservati e valori stimati dalla retta di regressione. Misurano quanto il modello sbaglia su ciascuna osservazione e servono per valutare l’adattamento del modello e per diagnosticare eventuali violazioni delle ipotesi. Un’analisi dei residui ben fatta permette di capire se il modello lineare è plausibile.

Cosa vuole sentire: Vuole che tu colleghi i residui alla diagnosi del modello, non solo alla definizione. Errore tipico: Pensare ai residui solo come errori casuali senza ruolo diagnostico.
Che cos’è il coefficiente di determinazione?

È una misura della quota di variabilità della risposta spiegata dal modello di regressione. Valori più alti indicano un adattamento migliore ai dati, ma non garantiscono che il modello sia causale o che sia il più adatto dal punto di vista sostanziale. Va letto insieme ai residui e al contesto del problema.

Cosa vuole sentire: Vuole la definizione corretta e il limite interpretativo del coefficiente. Errore tipico: Scambiarlo per una prova di validità assoluta del modello o per un indice di causalità.
Quali sono le ipotesi principali del modello lineare semplice?

In genere si assume linearità nella media, errore con media nulla, varianza costante e indipendenza degli errori; spesso, per l’inferenza, si aggiunge anche la normalità degli errori. Queste ipotesi servono a giustificare stima, test e intervalli di confidenza. Se sono violate, l’interpretazione e l’inferenza possono diventare poco affidabili.

Cosa vuole sentire: Vuole le ipotesi fondamentali e il motivo per cui servono. Errore tipico: Elencare le ipotesi senza spiegare a cosa servono o confonderle con le caratteristiche dei dati.
Perché correlazione non vuol dire causalità?

Perché una relazione statistica tra due variabili può dipendere da una causa comune, da un effetto inverso, da variabili omesse o da semplice associazione non causale. La regressione quantifica la dipendenza media, ma da sola non identifica un effetto causale. Per parlare di causalità servono disegno sperimentale, controllo dei confondenti o altre strategie di identificazione.

Cosa vuole sentire: Vuole che tu sappia spiegare i limiti inferenziali della regressione. Errore tipico: Dire che se il coefficiente è significativo allora la relazione è causale.
Come si valuta se il modello lineare è adeguato?

Si guardano soprattutto grafico dei residui, eventuali pattern sistematici, presenza di outlier e la coerenza del modello con il contesto. Se i residui mostrano struttura, eteroschedasticità o non linearità, il modello lineare semplice può essere inadeguato. Anche il valore di R quadrato da solo non basta: va sempre affiancato alla diagnosi grafica.

Cosa vuole sentire: Vuole che tu sappia usare i residui come strumento di controllo del modello. Errore tipico: Basarsi solo su R quadrato o solo sulla significatività del coefficiente angolare.
Collega regressione lineare e correlazione: in cosa sono simili e in cosa differiscono?

Entrambe descrivono l’associazione tra due variabili, ma la correlazione è simmetrica mentre la regressione è direzionale, perché distingue risposta ed esplicativa. La correlazione misura intensità e verso della relazione lineare, la regressione costruisce un modello per spiegare o prevedere una variabile in funzione dell’altra. Quindi possono essere collegate, ma non sono la stessa cosa.

Cosa vuole sentire: Vuole un confronto concettuale corretto tra i due strumenti. Errore tipico: Trattare correlazione e regressione come sinonimi.
Collega il modello lineare con il test sull’ipotesi del coefficiente angolare.

Nel modello di regressione si può testare se il coefficiente angolare è nullo, cioè se la variabile esplicativa ha un contributo lineare nella spiegazione della risposta. Se l’ipotesi nulla viene rifiutata, si conclude che c’è evidenza di un’associazione lineare, non automaticamente di un nesso causale. Questo collega la stima del modello all’inferenza statistica.

Cosa vuole sentire: Vuole il passaggio da stima a test e il significato del risultato. Errore tipico: Confondere significatività statistica con rilevanza pratica o causalità.

Fatti interrogare sulla regressione lineare, come all'esame. Carica le tue dispense, le slide o le sbobine, scegli il livello università e Skoo ti fa queste domande a voce, con il rigore di un esame: ti incalza se sei vago e alla fine ti dà una pagella sui quattro criteri, con le frasi che hai detto. I primi 30 minuti sono gratis, senza carta. Simula l'esame sulla regressione lineare

Le risposte vaghe che non passano

«La regressione serve a vedere se due variabili sono collegate e a fare una retta sui dati.»: Meglio: La regressione lineare semplice modella il valore atteso di una variabile risposta in funzione lineare di una variabile esplicativa e stima i parametri con i minimi quadrati.
«Il coefficiente di determinazione dice quanto il modello è giusto.»: Meglio: Il coefficiente di determinazione misura quanta variabilità della risposta è spiegata dal modello, ma non basta da solo per dire che il modello è giusto o causale.
«Se la regressione funziona, allora la variabile esplicativa causa la risposta.»: Meglio: Una regressione ben adattata mostra associazione o capacità predittiva, ma la causalità richiede ipotesi aggiuntive e un adeguato disegno di studio.

I collegamenti che fanno salire il voto

Probabilità — variabile casuale ed errore del modello. Ti aiuta a capire che il residuo e l’errore hanno una natura probabilistica e non sono semplici scarti aritmetici.
Inferenza statistica — test e intervalli di confidenza sui coefficienti. La regressione non si ferma alla stima: il docente spesso vuole anche la parte inferenziale sui parametri.
Econometria o metodologia della ricerca — causalità e variabili omesse. È il collegamento più utile per spiegare perché una relazione stimata non implica automaticamente un effetto causale.

Come ti valuta la pagella sulla regressione lineare

Un'interrogazione si valuta su quattro criteri. Ecco cosa fa la differenza in questo argomento:

Criterio	Cosa fa la differenza qui
Conoscenza dei contenuti	Fa la differenza saper definire bene modello, residui, ipotesi e interpretazione dei coefficienti senza confondere correlazione e causalità.
Correttezza espositiva e lessico specifico	Conta molto parlare in modo ordinato: definizione del modello, stima, interpretazione, controllo diagnostico e limiti.
Capacità di analisi e collegamenti	Salgono molto le valutazioni se sai commentare residui, bontà di adattamento e significato sostanziale del modello nel contesto.
Autonomia nell'argomentare	Il voto migliora se riesci a dire quando il modello lineare è appropriato, quando l’intercetta non è interpretabile e perché R quadrato non basta.

Criterio

Cosa fa la differenza qui

Conoscenza dei contenuti

Fa la differenza saper definire bene modello, residui, ipotesi e interpretazione dei coefficienti senza confondere correlazione e causalità.

Correttezza espositiva e lessico specifico

Conta molto parlare in modo ordinato: definizione del modello, stima, interpretazione, controllo diagnostico e limiti.

Capacità di analisi e collegamenti

Salgono molto le valutazioni se sai commentare residui, bontà di adattamento e significato sostanziale del modello nel contesto.

Autonomia nell'argomentare

Il voto migliora se riesci a dire quando il modello lineare è appropriato, quando l’intercetta non è interpretabile e perché R quadrato non basta.

Domande frequenti

Da dove parto se il docente mi chiede la regressione lineare?: Parti dalla definizione del modello, poi passa alla stima ai minimi quadrati e all’interpretazione dei coefficienti.
Cosa ripasso se ho poco tempo?: Ripassa bene residui, ipotesi del modello, coefficiente di determinazione e la differenza tra correlazione e causalità.
Come la collego ad altri argomenti all’orale?: Collegala a correlazione, inferenza sui coefficienti e verifica delle ipotesi del modello tramite analisi dei residui.

Altre domande d'esame di statistica

L'inferenza: stima e test · La probabilità · La statistica descrittiva · Le variabili aleatorie e le distribuzioni · tutti gli argomenti di statistica

Come si prepara un orale universitario: simulare l'esame orale · Skooly per l'università.

Le domande e le risposte modello di questa pagina sono generate con l'intelligenza artificiale a partire dal programma scolastico, passate da una verifica automatica dei fatti e riviste a campione dalla redazione di Skooly (AI Act, Art. 50). Hai trovato un errore? Scrivi a supporto@skooly.it e lo correggiamo.