Le prime dieci pagine del totale di 490 nel libro "Capire l'analisi della regressione - un approccio di distribuzione condizionale" non ti lasceranno a bocca aperta. Tuttavia, leggere cose che già capisci è sempre bello perché ti fa sentire intelligente.
Il libro stabilisce una certa terminologia e spende (troppe) parole affermando che ciò che si osserva attraverso le misurazioni non è una rappresentazione accurata di ciò che è.
Esempio (tratto dal libro, ma significativamente accorciato):
La circonferenza (Y) di un cerchio misurato è Y = π*x^2. Questo modello è accurato o deterministico solo se il cerchio misurato è matematicamente perfetto. Poiché non è mai così, il modello è sbagliato, poiché il cerchio misurato è naturalmente imperfetto e il sistema di misurazione è incerto.
Evidenziato: "I dati prendono di mira il processo che produce i dati".
Se misuri il diametro di un cerchio con un calibro, i dati che produci mirano al processo del tuo sistema di misurazione (il calibro) piuttosto che al misurando.
In poche parole: i tuoi dati rappresentano quanto accuratamente misuri piuttosto che essere una stima effettiva del misurando.
Il libro indica che Y = f(x) deve essere corretto in quanto ignora qualsiasi popolazione Y o x potrebbe seguire. Il libro utilizza invece Y | X = x ~ p(y|x), dove p indica la distribuzione di y e x. Questa è l'idea generale dell'"approccio alla distribuzione condizionale".
Sono entusiasta di leggere di più quindi rimanete sintonizzati.
