Considerazioni avanzate per R Quadrato (R²)

Cosa significa R Quadrato a livello avanzato

R Quadrato, spesso indicato come R², è una statistica riassuntiva che confronta quanto bene un modello scelto riproduce la variazione in un insieme di valori osservati. Nell’interpretazione più semplice (e più comune), R² risponde alla domanda: “Quanta parte della variazione osservata è spiegata dal modello rispetto a una linea di base che non utilizza gli input esplicativi del modello?”

Questo significato è stabile, ma molti dettagli pratici non lo sono. Le “considerazioni avanzate” si concentrano quindi meno sulla memorizzazione della formula e più sulla verifica di ciò che si sta effettivamente misurando: la definizione utilizzata, la linea di base utilizzata per il confronto, il modo in cui viene costruita la variabile obiettivo e se si sta valutando sui dati utilizzati dal modello (in-sample) o su dati nuovi (out-of-sample).

Come funziona R Quadrato in un modello semplice e verificabile

Un punto di partenza standard è un modello che prevede un obiettivo Y a partire dagli input X, utilizzando una regressione lineare con intercetta. In questo contesto familiare, R² può essere espresso in termini della varianza (o della somma dei quadrati) degli errori residui rispetto alla variazione totale attorno alla media.

Un modello verificabile è il seguente:

1. Scegliere una serie obiettivo Y (la cosa che si vuole spiegare).
2. Scegliere un modello che produca valori stimati Ŷ.
3. Calcolare i residui e = Y − Ŷ.
4. Confrontare la variabilità residua con la variabilità di base di Y attorno alla sua media.

Nel caso della regressione con intercetta inclusa, R² è spesso vincolato tra 0 e 1. Tuttavia, nei lavori avanzati è necessario riconoscere che questo vincolo può venir meno quando cambiano le assunzioni (ad esempio, quando si modifica il modo in cui viene definita la linea di base) o quando si calcola R² al di fuori del contesto abituale del modello.

Dipendenze da dichiarare prima di interpretare R²

Per interpretare R² in modo indipendente, è necessario essere espliciti su almeno queste dipendenze:

• Definizione dell’obiettivo: Cosa rappresenta esattamente Y? Per le serie temporali, Y potrebbe essere un livello, una differenza, una quantità simile a un rendimento o un’altra trasformazione. Cambiare Y modifica il significato di “variazione spiegata”.
• Forma del modello: R² dipende dalla mappatura dagli input ai valori Ŷ. Un modello diverso può produrre una curva stimata diversa anche se si riutilizzano gli stessi dati.
• Linea di base e centratura: Molte interpretazioni di R² si basano sul confronto con una linea di base che prevede la media di Y. Se la linea di base è diversa, il significato cambia.
• Procedura di adattamento: È stato selezionato il livello di complessità del modello utilizzando lo stesso dataset su cui si riporta R²?
• Schema di valutazione: R² in-sample riflette l’adattamento ai dati di addestramento; R² out-of-sample riflette la capacità di generalizzazione.

Evidenze ed esempi: perché un R² elevato può essere fuorviante

Ecco un ragionamento di tipo esemplificativo (non una affermazione su un mercato reale) che illustra una comune trappola avanzata.

Si supponga di adattare un modello sufficientemente flessibile da seguire le fluttuazioni a breve termine. Se si valuta R² sugli stessi dati utilizzati per adattare il modello, il modello potrebbe “spiegare” una grande porzione della variazione imparando modelli specifici di quel periodo.

Ora si immagini di valutare lo stesso modello in un periodo successivo in cui il processo generatore dei dati cambia. I residui potrebbero aumentare, quindi R² potrebbe diminuire. Questo mostra perché l’interpretazione avanzata richiede di distinguere:

• Adattamento ai dati storici (ciò che R² può indicare quando calcolato in-sample) da
• Stabilità predittiva o esplicativa (che R² non garantisce).

Un altro caso limite: quando l’obiettivo cambia carattere

Si consideri un obiettivo Y che presenta episodi di comportamento diverso (ad esempio, clustering di volatilità, cambiamenti strutturali o cambi di regime). Anche se R² viene calcolato “correttamente”, la statistica media le prestazioni attraverso quei periodi.

Se la maggior parte della variazione proviene da pochi segmenti, un modello potrebbe sembrare spiegare “la maggior parte” della variazione semplicemente adattandosi a quei segmenti. Nella pratica avanzata, si dovrebbe verificare se R² è guidato da un sottoinsieme di finestre temporali piuttosto che riflettere una capacità esplicativa costante.

Limitazioni materiali e modi di fallimento

Le considerazioni avanzate sono incomplete senza modi di fallimento espliciti—situazioni in cui R² può essere calcolato ma diventa difficile da interpretare.

1) Dati non stazionari o con cambiamento di regime

Se la relazione statistica tra X e Y cambia nel tempo, R² calcolato su finestre storiche potrebbe non riflettere il comportamento attuale. Questo non è un difetto dell’aritmetica; è una limitazione nell’uso di una statistica riassuntiva attraverso un processo non stazionario.

2) Data leakage o valutazione impropria

Se informazioni dal futuro (o da obiettivi che non dovrebbero essere noti al momento della previsione) influenzano la costruzione delle caratteristiche, l’R² risultante può essere sovrastimato. La limitazione è che R² misurerà allora un artefatto del modo in cui i dati sono stati preparati piuttosto che la vera relazione esplicativa del modello.

Un passo di verifica pratico è concettualmente semplice: assicurarsi che ogni quantità utilizzata per calcolare X al tempo t fosse disponibile al tempo t e assicurarsi che la valutazione sia effettuata su dati non utilizzati per l’adattamento o la selezione.

3) Overfitting e selezione del modello sugli stessi dati

Quando il modello è flessibile e si provano molte specifiche, riportare R² dallo stesso dataset tende a sovrastimare le prestazioni. Le considerazioni avanzate includono quindi una disciplina di valutazione, come la separazione tra finestre di addestramento e test, e il riconoscimento del fatto che si possono aver ottimizzato iperparametri.

4) Obiettivo del modello non allineato

R² riguarda la spiegazione della varianza sotto una particolare definizione di output del modello. Se il modello è addestrato per ottimizzare un obiettivo diverso (ad esempio, una perdita di classificazione invece di un adattamento basato sugli errori quadratici), R² potrebbe non riflettere ciò che interessa.

5) Scalatura o trasformazioni inadeguate

Le trasformazioni di Y possono cambiare il significato di “variazione”. Due valori di R² calcolati su trasformazioni diverse dell’obiettivo non sono direttamente comparabili, anche se si utilizzano gli stessi input e modello.

Verifica: come controllare in modo indipendente l’R² calcolato

Per verificare in modo indipendente i valori di R² nel proprio contesto, è possibile utilizzare un piccolo insieme di controlli.

1. Confermare la definizione utilizzata. Alcuni software espongono varianti di R² a seconda che sia inclusa un’intercetta o che la linea di base di confronto sia definita in modo diverso.
2. Ricalcolare dai valori intermedi memorizzati (valori stimati Ŷ e residui e) per confermare la coerenza con l’R² riportato.
3. Separare in-sample da out-of-sample. Calcolare R² in uno schema di valutazione rigoroso in cui il periodo di test non sia stato utilizzato per l’adattamento o la selezione delle caratteristiche.
4. Sottoporre a stress-test con diverse dimensioni di finestra. Se i risultati variano drasticamente con la lunghezza della finestra, tale instabilità rappresenta una limitazione importante.
5. Esaminare concettualmente il comportamento dei residui.