📍 Dove siamo nel percorso

I modelli di regressione della sezione precedente assumono una variabile dipendente continua distribuita secondo una Normale. In psicologia, tuttavia, ci troviamo spesso a lavorare con variabili categoriali (es. risposta corretta/errata) o discrete di conteggio (es. numero di occorrenze). Per modellare questi dati, dobbiamo generalizzare la nostra famiglia di modelli.

Consiglio🎯 Cosa faremo in questa sezione

Questa sezione estende la logica di regressione per adattarsi a diverse strutture dei dati:

• Regressione logistica: modellare decisioni binarie e variabili dicotomiche.
• Inferenza su proporzioni: stima e confronto di probabilità.
• Regressione di Poisson: analisi di variabili di conteggio e gestione della sovradispersione.
• Modelli processuali: dalla correlazione all’identificazione di meccanismi causali.
• Gestione dei dati mancanti: strategie di imputazione in ottica bayesiana.
• Validazione predittiva: valutare la capacità generalizzabile del modello.

💡 Prospettiva unificante: il Modello Lineare Generalizzato non costituisce una tecnica a sé stante, ma un’estensione naturale della regressione. Il framework concettuale è lo stesso: un predittore lineare è collegato al parametro di una distribuzione. La vera differenza sta nell’abbandonare la distribuzione Normale per adattarsi a strutture di dati diverse (binarie, di conteggio). La logica inferenziale bayesiana rimane identica.