Definizione della variabili

Sulla base delle tue indicazioni, usando AI e riprendendo alcune citazioni, ho definito quattro macro-variabili.

Definizione dimensioni MOA
dimensione	group	variable	label	scale
Motivation	How much do you agree or disagree with each of the following statements on food waste?	W2b.SQ001	It is a question of ethics (it is immoral)	I strongly disagree ~ 1 I strongly agree ~ 7
		W2b.SQ002	It causes economic and social consequences
		W2b.SQ003	It causes environmental consequences
		W2b.SQ004	It contributes to global warming
		W2b.SQ005	It causes a waste of money for families
		W2b.SQ006	It has negative economic consequences for my family
		W2b.SQ007	It reduces the efficiency of the production system
		W2b.SQ008	It causes increased pollution due to excess waste disposal
		W2b.SQ009	It causes increased inequality between rich and poor countries
		W2b.SQ010	It sets a bad example for young people
		W2b.SQ011	It causes food prices to rise
		W2b.SQ012	It causes a lack of food distribution to those who cannot afford it
		W2b.SQ013	It wastes essential resources such as water, energy and soil
Opportunity	You happen to throw away food mainly because...	W2a.SQ001	I buy too much of it	Never ~ 1 Always ~ 5
		W2a.SQ002	Too much time goes by between one shopping trip and the next, and food deteriorates
		W2a.SQ003	I miscalculate the things I need
		W2a.SQ004	I am always afraid of not having enough food at home
		W2a.SQ005	Fruit and vegetables are often stored in the fridge and when I take them home they spoil
		W2a.SQ006	The food sold is already old
		W2a.SQ007	I don’t know how to preserve food
		W2a.SQ008	I buy packs that are too big
		W2a.SQ009	I cook too much
		W2a.SQ010	I buy things I don’t like
		W2a.SQ011	There are too many promotions
		W2a.SQ012	I forget about it and it expires/goes mouldy/rots/its smell and taste deteriorate
		W2a.SQ013	I don’t like leftovers
Ability	To summarise, household and grocery shoppers can adopt different behaviours to reduce food waste. Please indicate how often you...	W3a.SQ001	Make a shopping list	Never ~ 1 Always ~ 4
		W3a.SQ002	Make a schedule of what you have to cook on each day of the week
		W3a.SQ003	Ensure that food that is about to expire is eaten first
		W3a.SQ004	Freeze food that cannot be eaten any time soon
		W3a.SQ005	Know exactly what you have in your pantry, fridge and freezer
		W3a.SQ006	Keep your pantry, fridge and freezer well organised
		W3a.SQ007	Weigh and measure the ingredients you use when preparing meals
		W3a.SQ008	Carefully consider the quantities you need before cooking
		W3a.SQ009	Store leftover food, if you have cooked too much
		W3a.SQ010	Store what is left over at the end of the meal if you have put too much food on the plates
		W3a.SQ011	Know all the food you prepare will definitely be eaten, including the leftovers
		W3a.SQ012	When a food item has just expired (one day), check if it is still good and use it if it is
		W3a.SQ013	Take home what you can’t eat when you eat out (restaurant, canteen)
Strategie	In order to reduce your family’s food waste, do you adopt any of the following purchasing strategies?	W3b.SQ001	Apps/sites for buying surplus stock from shops in order to limit food waste	No ~ 0 Yes ~ 1
		W3b.SQ002	Apps/sites for buying fruit and vegetables not sold in supermarkets/hypermarkets due to cosmetic defects
		W3b.SQ003	Apps/platforms for exchanging products that are about to expire with neighbours
		W3b.SQ004	Apps that suggest recipes when you add a list of products that you have at home and are about to expire
		W3b.SQ005	Apps that monitor the expiry date of products and help prepare an informed shopping list
		W3b.SQ006	Shopping list based on a weekly menu
		W3b.SQ007	Buying small-size packages
		W3b.SQ008	Doing my food shopping day by day/frequently
		W3b.SQ009	Buying large quantities of fish, meat and vegetables and dividing them into small portions/single portions for freezing
		W3b.SQ010	Buying long-life products periodically and fresh produce several times a week
		W3b.SQ011	Prioritising the purchase of products with a long shelf life
		W3b.SQ012	Intelligent refrigerator or pantry that monitors the products that are about to expire
		W3b.SQ013	Organising the products in the fridge/pantry by their expiry date (placing the products that expire earlier at the front)
		W3b.SQ014	None of these
Interventions	How useful do you think each of the following measures is to reduce food waste?	W3c.SQ001	Making citizens aware of the damage to the environment	Not at all ~ 1 A lot ~ 4
		W3c.SQ002	Making citizens aware of the negative impact on the economy
		W3c.SQ003	Charging taxes based on waste
		W3c.SQ004	Charging more for food
		W3c.SQ005	Focusing on education in schools
		W3c.SQ006	Making smaller product packages
		W3c.SQ007	Making larger product packages
		W3c.SQ008	Improving labels on consumption methods

Nella tabella sono riportate le variabili associate a ciascuna dimensione e la ricodifica in scala numerica.

Per ciascun rispondente ho calcolato indici di Motivation, Opportunity, Ability e Interventions come medie dei valori delle variabili associate a ciascuna dimensione.
Per Strategie, essendo composta da domande Yes/No con al massimo tre risposte possibili, ho calcolato quante strategie sono state indicate.

Ho ricodificato

Definizione variabili di spreco
group	variable	label	scale
-	W1	How often do you throw away leftover pre-cooked/prepared/cooked food or food you no longer consider good?	Hardly ever ~ 1 Almost every day ~ 5
Thinking about the last SEVEN days, how much of the products did you throw away in your household?	W2.SQ001	Cured meats/cold cuts/deli meats	None — we didn’t waste any ~ 0, Less than 100 grams ~ 50, 100–200 grams ~ 150, 200–300 grams ~ 250, More than 300 grams ~ 400, We don’t consume this ~ NA_real_, Don’t know ~ NA
	W2.SQ002	Non-alcoholic drinks (fruit juices, Coke, mineral water etc.)
	W2.SQ003	Alcoholic beverages (wine, beer etc.)
	W2.SQ004	Butter, margarine and oil
	W2.SQ005	Cooked WHITE meat (excluding cured meats and cold cuts)
	W2.SQ006	Raw WHITE meat (excluding cured meats and cold cuts)
	W2.SQ007	Cooked RED meat (excluding cured meats and cold cuts)
	W2.SQ008	Raw RED meat (excluding cured meats and cold cuts)
	W2.SQ009	Ready-made or pre-cooked food (trays, rotisserie chickens, pizza etc.)
	W2.SQ010	Onions, garlic and tubers (potatoes, carrots, turnips etc.)
	W2.SQ011	Sweet foods (including chocolate, ice cream etc.)
	W2.SQ012	Chocolate, spreads etc.
	W2.SQ013	Cheese
	W2.SQ014	Fresh fruit
	W2.SQ015	Non-fresh fruit and vegetables (in jars, tins, cans)
	W2.SQ016	Salads
	W2.SQ017	Milk and yoghurt
	W2.SQ018	Dairy products (mozzarella, ricotta etc.)
	W2.SQ019	Legumes (lentils, beans, chickpeas etc.)
	W2.SQ020	Jams and marmalades
	W2.SQ021	Mayonnaise and egg-based sauces (e.g. Tartar, Bernese etc.)
	W2.SQ022	Fresh bread
	W2.SQ023	Sliced/packed bread
	W2.SQ024	Pasta and fresh pasta (uncooked)
	W2.SQ025	Ready-cooked pasta
	W2.SQ026	Raw fish/shellfish
	W2.SQ027	Cooked fish/shellfish
	W2.SQ028	Breakfast foods (biscuits, cereals, rusks etc.)
	W2.SQ029	Frozen products (vegetable mix for soups etc.)
	W2.SQ030	Cooked rice and other grains
	W2.SQ031	Uncooked rice and other grains
	W2.SQ032	Sauces (e.g. ketchup, Tabasco etc.)
	W2.SQ033	Sauces (e.g. tomato puree, ready-made sauces, pesto etc.)
	W2.SQ034	Eggs
	W2.SQ035	Vegetables
	W2.SQ036	Pizza
	W2.SQ037	Sandwiches
	W2.SQ038	Frankfurters
	W2.SQ039	Chips
	W2.SQ040	Frozen or deep-frozen products
	W2.SQ041	Ready-made and pre-cooked meals

Lo spreco totale waste.Tot è stato calcolato come somma delle variabili W2.SQxxx, e lo spreco pro-capite come waste.pc=waste.Tot/A4 (How many people are in your family?)

caratteristiche del “campione”

giustificazione del campione

La giustificazione dell’uso di questo campione può rientrare nell’ambito del
- robustness check (verificare se le relazioni teoriche identificate in precedenti ricerche con campioni probabilistici o in contesti specifici si mantengono anche in campioni con caratteristiche diverse)
- theory testing (non interessa stimare parametri ma testare relazioni: se una teoria è valida, le relazioni postulate dovrebbero emergere in diversi contesti e campioni)

Data la natura transnazionale della ricerca, lo studio adotta un disegno di campionamento non probabilistico basato sulla partecipazione volontaria (self-selection sampling), che ha permesso di raccogliere risposte da 1.047 partecipanti residenti in 66 paesi. Sebbene tale approccio presenti dei limiti intrinseci nella generalizzazione descrittiva dei risultati all’intera popolazione globale, la scelta metodologica è pienamente coerente con l’obiettivo primario dello studio: il test teorico (theory-testing) del framework MOA (Motivation-Opportunity-Ability). In linea con le raccomandazioni della Task Force AAPOR (Baker et al., 2013), i campioni non probabilistici sono considerati ‘adeguati allo scopo’ (fit-for-purpose) quando il focus della ricerca è l’esplorazione delle relazioni tra variabili piuttosto che la stima di medie puntuali della popolazione. Seguendo i principi definiti da Lynch (1982) e Calder et al. (1981), nei modelli volti a verificare costrutti teorici, la validità interna e la robustezza delle relazioni causali assumono la priorità rispetto alla rappresentatività statistica del campione.
Inoltre, l’eterogeneità del campione fornisce un contesto di analisi rigoroso per valutare se i meccanismi che guidano lo spreco alimentare rimangano stabili attraverso differenti contesti culturali e infrastrutturali (Schoenherr et al., 2015; Kohler et al., 2019). L’elevata partecipazione e l’interesse diretto dei rispondenti verso la tematica garantiscono, infine, un’elevata qualità dei dati, riducendo il rumore statistico tipico delle rilevazioni su larga scala non mirate.

Il concetto di “Fit-for-purpose” afferma che non esiste un campionamento “sbagliato” in assoluto, ma solo campionamenti non adatti all’obiettivo. Poiché l’obiettivo è testare il modello MOA, il campione può essere ritenuto idoneo.
Validità Interna vs Esterna: si chiarisce che l’interesse è capire “come” funzionano i driver dello spreco (validità interna) più che “quanto” si spreca esattamente nel mondo (validità esterna descrittiva).

Baker, R., et al. (2013). Summary report of the AAPOR task force on non-probability sampling. Journal of Survey Statistics and Methodology, 1(2), 90-143.
Calder, B. J., Phillips, L. W., & Tybout, A. M. (1981). Designing research for application. Journal of Consumer Research, 8(2), 197-207.
Kohler, U., Kreuter, F., & Stuart, E. A. (2019). Nonprobability sampling and causal analysis. Annual Review of Statistics and Its Application, 6, 149-172.
Lynch Jr, J. G. (1982). On the external validity of experiments. Journal of Consumer Research, 9(3), 225-239.
Schoenherr, T., Ellram, L. M., & Tate, W. L. (2015). A note on the use of survey research firms to enable strategic supply chain management research. Journal of Business Logistics, 36(3), 288-300.

caratteristiche

Il campione è costituito da 1047 rispondenti, da 66 paesi.

Number of respondents by country
Country	n.respondens
Hungary	155
Macedonia	118
Portugal	88
Turkey	71
Italy	68
Bulgaria	67
Romania	48
Greece	41
North Macedonia	32
Spain	27
Serbia	26
Ukraine	24
Poland	22
Latvia	21
Bosnia and Herzegovina	19
Albania	18
Kosovo	17
Germany	16
Tunisia	16
Czech Republic	15
Croatia	10
Lithuania	10
France	9
Algeria	8
Pakistan	8
South Africa	7
Denmark	6
Norway	6
Slovakia	5
United Kingdom	5
Austria	4
Egypt	4
India	4
Lebanon	4
Nigeria	4
Cyprus	3
Sweden	3
Australia	2
Azerbaijan	2
Ethiopia	2
Georgia	2
Morocco	2
Netherlands	2
Palestine	2
Slovenia	2
Unites States of America	2
Andorra	1
Angola	1
Bangladesh	1
Belgium	1
Brazil	1
Burundi	1
China	1
Costa Rica	1
Democratic Republic of Congo	1
Faroe Islands	1
Finland	1
Iran	1
Ireland	1
Israel	1
Japan	1
Jordan	1
New Zealand	1
Switzerland	1
Syria	1
Uganda	1
Total	1,047

Number of respondents by age
levels	Frequency	Percent
18-25	363	34.7
26-30	120	11.5
31-35	102	9.7
36-40	107	10.2
41-45	105	10.0
46-50	85	8.1
51-55	83	7.9
56-60	41	3.9
61-65	25	2.4
66-70	11	1.1
over 71	5	0.5
Total	1,047	100.0

Number of respondents by gender
levels	Frequency	Percent
Female	651	62.2
Male	373	35.6
No answer	23	2.2
Total	1,047	100.0

Number of respondents by family size
levels	Frequency	Percent
0	4	0.4
1	98	9.4
2	189	18.1
3	210	20.1
4	315	30.1
5	155	14.8
6	46	4.4
7	19	1.8
8	7	0.7
9	1	0.1
10	3	0.3
Total	1,047	100.0

Number of respondents by family type
levels	Frequency	Percent
I live alone	134	12.8
Couple with children	474	45.3
Couple without children	158	15.1
Single parent with children	47	4.5
Single living with other people (friends, relatives)	89	8.5
Other	12	1.1
No answer	133	12.7
Total	1,047	100.0

Number of respondents by family with children
levels	Frequency	Percent
Yes, adults	146	13.9
Yes, minors	266	25.4
Yes, both adults and minors	117	11.2
No	518	49.5
Total	1,047	100.0

Number of respondents by educational qualification
levels	Frequency	Percent
No educational qualification	3	0.3
Primary school	5	0.5
Secondary school	47	4.5
High school	216	20.6
Graduate	285	27.2
Postgraduate degree	491	46.9
Total	1,047	100.0

Number of respondents by employment status
levels	Frequency	Percent
Student	332	31.7
Work 1-39 hours a week	169	16.1
Work 40 or more hours a week	464	44.3
Looking for a job	30	2.9
Unemployed but not looking for a job	8	0.8
Pensioner	10	1.0
Unfit for work (disabled, sick, etc)	3	0.3
Other	31	3.0
Total	1,047	100.0

modello MOA

Variabile dipendente: How often do you throw away leftover pre-cooked/prepared/cooked food or food you no longer consider good?

dfFoodWaStopOK$W1 
                      Frequency Percent
Almost every day             98   9.360
3–4 times a week             81   7.736
1–2 times a week            276  26.361
Less than once a week       317  30.277
Hardly ever                 250  23.878
Don’t know                   25   2.388
Total                      1047 100.000

modello semplificato

Come dipendente uso la ricodifica numerica di W1 come variabile numerica

    Y_spreco       Motivation       Ability       Opportunity      Strategie    Interventions  
 Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.00   Min.   :1.000  
 1st Qu.:2.000   1st Qu.:5.000   1st Qu.:2.538   1st Qu.:1.692   1st Qu.:3.00   1st Qu.:2.571  
 Median :2.000   Median :5.769   Median :2.917   Median :2.154   Median :3.00   Median :3.000  
 Mean   :2.472   Mean   :5.576   Mean   :2.886   Mean   :2.198   Mean   :2.71   Mean   :2.900  
 3rd Qu.:3.000   3rd Qu.:6.385   3rd Qu.:3.250   3rd Qu.:2.692   3rd Qu.:3.00   3rd Qu.:3.250  
 Max.   :5.000   Max.   :7.000   Max.   :4.000   Max.   :5.000   Max.   :3.00   Max.   :4.000  
 NA's   :25                      NA's   :6                                      NA's   :13

Y_spreco è la ricodifica numerica di W1: How often do you throw away leftover … dove:
1=Hardly ever - 5=Almost every day


Call:
lm(formula = Y_spreco ~ Motivation + Ability + Opportunity + 
    Strategie + Interventions, data = df_numericRid %>% na.omit())

Residuals:
    Min      1Q  Median      3Q     Max 
-2.5948 -0.7104 -0.1259  0.6003  3.4243 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)    2.43502    0.29039   8.385  < 2e-16 ***
Motivation    -0.02391    0.03968  -0.603    0.547    
Ability       -0.39126    0.07221  -5.418 7.53e-08 ***
Opportunity    0.65717    0.04797  13.700  < 2e-16 ***
Strategie     -0.01440    0.05355  -0.269    0.788    
Interventions -0.03457    0.07467  -0.463    0.643    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.063 on 1008 degrees of freedom
Multiple R-squared:  0.2343,    Adjusted R-squared:  0.2305 
F-statistic: 61.68 on 5 and 1008 DF,  p-value: < 2.2e-16

Motivation non risulta significativa (p=0.547).

La sola volontà del consumatore (preoccuparsi del problema, voler essere sostenibili) non basta a ridurre la frequenza dello spreco se analizzata isolatamente. Questo è il classico “Value-Action Gap”: le persone dicono di tenere all’ambiente, ma poi buttano cibo comunque.

Ability e Opportunity: I driver principali, entrambi estremamente significativi (p<0.001):

Ability (-0.391): Ha un segno negativo, esattamente come previsto dalla teoria. All’aumentare delle competenze (gestione frigo, fare la lista, dosare le porzioni), la frequenza di spreco scende sensibilmente. È il fattore individuale più efficace.
Opportunity (+0.657): È il coefficiente più alto e con il t−value più forte (13.7). Conferma che lo spreco è anzitutto un problema di contesto. Se ci sono barriere esterne (mancanza di tempo, packaging troppo grandi, imprevisti lavorativi), la frequenza dello spreco aumenta drasticamente, indipendentemente da quanto l’utente sia bravo o motivato.

Irrilevanza di Strategie e Interventions.

modello con dipendente ordinale

In realtà considerare la frequenza di spreco, così come rilevata, come variabile numerica è un’approssimazione in quanto in realtà è a “salti”.
Da un punto di vista formale è più opportuna una Regressione Logistica Ordinale.

Il modello stimato con questa tecnica non rispetta però l’assunto delle “proporzional odds” (le pendenze sono costanti tra i vari cutpoints).
Il test sulla proporzional odds risulta significativo principalmente per Motivation.

Ho quindi provato un Modello a Rapporti Parzialmente Proporzionali (Partial Proportional Odds), che consente ad alcune variabili indipendenti di avere effetti diversi sulle varie soglie della variabile dipendente, mantenendo costanti gli effetti delle altre.

La variabile dipendente è W1 da cui ho escluso i casi “Don’t know” e riordinato i livelli in ordine crescente di frequenza di spreco: Hardly ever, Less than once a week, 1–2 times a week, 3–4 times a week, Almost every day.

Tenendo conto dei risultati precedente ho lasciato che l’effetto della Motivazione potesse cambiare a seconda della frequenza di spreco.
Considero inoltre l’interazione tra Motivation e Ability


Call:
vglm(formula = W1 ~ Motivation * Ability + Opportunity, family = cumulative(parallel = FALSE ~ 
    Motivation), data = dfFoodWaStopTmp)

Coefficients: 
                   Estimate Std. Error z value Pr(>|z|)    
(Intercept):1       1.49534    1.19512   1.251 0.210858    
(Intercept):2       2.94215    1.13887   2.583 0.009783 ** 
(Intercept):3       3.43118    1.13215   3.031 0.002440 ** 
(Intercept):4       4.07112    1.15870   3.514 0.000442 ***
Motivation:1       -0.48609    0.22083  -2.201 0.027721 *  
Motivation:2       -0.44815    0.21010  -2.133 0.032926 *  
Motivation:3       -0.24394    0.20847  -1.170 0.241947    
Motivation:4       -0.21434    0.21356  -1.004 0.315551    
Ability            -0.04210    0.41118  -0.102 0.918443    
Opportunity        -1.17546    0.08819 -13.329  < 2e-16 ***
Motivation:Ability  0.15504    0.07400   2.095 0.036163 *  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Names of linear predictors: logitlink(P[Y<=1]), logitlink(P[Y<=2]), logitlink(P[Y<=3]), logitlink(P[Y<=4])

Residual deviance: 2729.461 on 4065 degrees of freedom

Log-likelihood: -1364.73 on 4065 degrees of freedom

Number of Fisher scoring iterations: 5 

No Hauck-Donner effect found in any of the estimates


Exponentiated coefficients:
      Motivation:1       Motivation:2       Motivation:3       Motivation:4            Ability        Opportunity Motivation:Ability 
         0.6150277          0.6388097          0.7835364          0.8070741          0.9587712          0.3086757          1.1677071

Motivation:
Motivation:1 e Motivation:2 (passaggio da “Mai” a “Meno di una volta a settimana”) sono significativi e negativi.
Motivation:3 e Motivation:4 non sono significativi.
La motivazione è un ottimo “freno” per chi spreca pochissimo (aiuta a restare nel gruppo “Hardly ever”), ma perde efficacia per chi è già uno “sprecatore seriale” (3-4 volte a settimana).

Opportunity:
Il coefficiente è -1.17 con un valore z molto alto (-13.3).
Un coefficiente negativo per una variabile indipendente indica che all’aumentare di quella variabile (Opportunity), aumenta la probabilità di trovarsi nelle categorie più alte della dipendente (cioè spreco più frequente). Quindi, più barriere esterne ci sono, molto più frequente è lo spreco.

Interazione Motivation:Ability (0.155)
È significativa (p=0.036). L’effetto della Motivazione sulla probabilità di sprecare dipende dal livello di Abilità. Il segno positivo dell’interazione (unito ai segni negativi dei termini principali) suggerisce un effetto di “compensazione”: la motivazione aiuta, ma il suo beneficio si riduce o cambia forma se l’abilità è molto alta o molto bassa.

In sintesi:

L’effetto delle Opportunità (O) è il principale predittore: all’aumentare delle barriere situazionali, la probabilità di sprecare cibo frequentemente aumenta drasticamente (z=−13.3).
La Motivazione (M) agisce efficacemente come fattore preventivo soprattutto per i bassi livelli di spreco, ma il suo impatto diminuisce per i consumatori che sprecano più abitualmente.
L’interazione tra M e A risulta significativa (p<0.05), confermando che l’efficacia della spinta interna del consumatore è strettamente legata alle sue competenze pratiche di gestione domestica.”

Il grafico evidenzia come l’impatto della Motivation è profondamente diverso a seconda del livello di Ability.

Linea Blu (Alta Ability): All’aumentare della motivazione, la probabilità di trovarsi in categorie di spreco elevato (come “Almost every day”) diminuisce drasticamente, tendendo allo 0%. Qui la motivazione “funziona” perché la persona ha le competenze per metterla in pratica.
Linea Rossa (Bassa Ability): Paradossalmente, all’aumentare della motivazione, la probabilità di sprecare aumenta leggermente o resta alta. Questo visualizza il “gap intenzione-azione”: senza abilità, la sola motivazione non riesce a contrastare lo spreco.
P[Y >= Almost every day]: Questo è il pannello più critico. Nota come per chi ha alta Ability (blu), la curva crolla verso lo zero non appena la Motivation sale. Per chi ha bassa Ability (rossa), la probabilità di sprecare quasi ogni giorno resta costante intorno al 25%, indipendentemente da quanto sia motivato.
P[Y >= 1-2 times a week]: Qui la divergenza è massima. Con alta motivazione e alta abilità, la probabilità di sprecare con questa frequenza scende sotto il 25%. Senza abilità, sale verso l’80%.

Conclusioni:

L’Abilità è il fattore abilitante: La motivazione è un driver efficace per ridurre lo spreco di cibo solo se mediata da alti livelli di competenza tecnica (gestione del frigo, cucina degli avanzi, pianificazione).
Interventi mirati: Le campagne di sensibilizzazione basate solo sulla “motivazione” (es. “rispetta il cibo”) potrebbero essere inutili o controproducenti per chi non ha abilità pratiche. Bisognerebbe puntare su workshop pratici (Ability) per sbloccare il potenziale della motivazione.

modello tobit

Utilizzo come variabile dipendente lo spreco pro-capite in grammi nell’ultima settimana.

Avendo un certo numero di casi che possono avere spreco uguale a 0, utilizzo un modello tobit.


Call:
AER::tobit(formula = waste.pc ~ Motivation * Ability + Opportunity, 
    left = 0, data = df_numericRid)

Observations: (6 osservazioni eliminate a causa di valori mancanti)
         Total  Left-censored     Uncensored Right-censored 
          1041             97            944              0 

Coefficients:
                    Estimate Std. Error z value Pr(>|z|)    
(Intercept)        2020.9939   498.0288   4.058 4.95e-05 ***
Motivation         -366.6248    91.7808  -3.995 6.48e-05 ***
Ability            -657.7141   183.1727  -3.591  0.00033 ***
Opportunity         465.6321    36.6092  12.719  < 2e-16 ***
Motivation:Ability   87.4348    32.7170   2.672  0.00753 ** 
Log(scale)            6.7101     0.0232 289.173  < 2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Scale: 820.7 

Gaussian distribution
Number of Newton-Raphson Iterations: 4 
Log-likelihood: -7752 on 6 Df
Wald-statistic: 274.3 on 4 Df, p-value: < 2.22e-16

Analisi dei Coefficienti Tobit

L’impatto dell’Abilità (-657.71): È il coefficiente più forte dopo l’intercetta. Indica che l’abilità pratica è la tua arma principale: un incremento unitario di abilità riduce il “desiderio latente” di spreco di ben 657 grammi.
L’impatto della Motivazione (-366.62): Anche la motivazione è solidissima (p<0.0001). Ogni punto in più riduce lo spreco di 366 grammi.
Il “Muro” dell’Opportunità (+465.63): Resta il driver più significativo (z=12.7). Conferma che per quanto un soggetto sia motivato e abile, se l’ambiente esterno (opportunità) è sfavorevole, lo spreco aumenterà quasi inevitabilmente.
L’Interazione Positiva (+87.43): Il fatto che sia significativa (p=0.007) conferma l’effetto di “rendimenti decrescenti” che avevamo ipotizzato. Motivazione e Abilità lavorano insieme, ma man mano che entrambe diventano molto alte, il loro effetto combinato si stabilizza (non puoi ridurre lo spreco all’infinito, esiste uno scarto minimo fisiologico).

confronto modelli ordinale - tobit

Motivazione e dell’Abilità

Nel Modello Ordinale: L’effetto della Motivazione è significativo solo per le categorie di spreco basso (Motivation:1 e :2). Questo suggerisce che la motivazione è un ottimo “interruttore” per decidere di non sprecare, ma non basta a spiegare i livelli di spreco più alti. L’Abilità da sola non è significativa (p=0.91), agisce solo “nascosta” nell’interazione.
Nel Modello Tobit: Qui sia la Motivazione che l’Abilità sono estremamente significative (p<0.001). Quando guardiamo ai grammi, l’Abilità diventa il predatore più forte del modello (B=−657.7). Questo significa che l’Abilità (saper cucinare, conservare, pianificare) è fondamentale per determinare quanto cibo si butta, molto più di quanto non influenzi la percezione di quanto spesso lo si fa.

Interazione Motivation:Ability

In entrambi i modelli l’interazione è significativa, ma con una sfumatura diversa:

Modello Ordinale (Segno +0.155): Conferma che l’effetto della Motivazione sulla frequenza dipende dall’Abilità.
Modello Tobit (Segno +87.43): Qui il valore è molto alto. Poiché i termini principali (M e A) sono fortemente negativi, il segno positivo dell’interazione indica un effetto di smorzamento. In pratica, se sei già molto abile e molto motivato, lo spreco non scende all’infinito (non puoi sprecare “meno di zero”), ma si stabilizza.

Opportunity

Si tratta del driver principale in entrambi i modelli.

Nel modello ordinale ha un z−value di -13.3.
Nel modello Tobit ha un z−value di 12.7.
Indipendentemente da come misuriamo lo spreco (grammi o frequenza), il contesto esterno (mancanza di tempo, packaging, imprevisti) rimane l’ostacolo principale che “costringe” i consumatori a sprecare.

FoodWaStop - MOA

2026-02-14