1 Obiettivo e dati

1.1 Obiettivo dell’analisi

Il presente lavoro si propone di analizzare il peso alla nascita dei neonati registrati presso tre strutture ospedaliere, con particolare attenzione alle caratteristiche materne, neonatali e relative al parto che possono essere associate a tale misura.

L’analisi si articola in tre fasi principali. In primo luogo, viene effettuata un’esplorazione descrittiva dei dati, finalizzata a esaminarne la distribuzione e a individuare eventuali differenze tra le strutture ospedaliere e i gruppi considerati. Successivamente, viene sviluppata un’analisi delle relazioni tra il peso e le diverse caratteristiche disponibili. Infine, viene costruito un modello di regressione lineare multipla, con l’obiettivo di valutare il contributo simultaneo dei diversi predittori e di descrivere le relazioni tra questi e il peso.

Per facilitare il riconoscimento delle singole osservazioni durante le successive fasi di analisi, a ciascun record è stato assegnato un identificativo progressivo, denominato ID originale. Tale identificativo corrisponde alla posizione della riga nel dataset iniziale e consente di risalire facilmente all’osservazione corrispondente nel dataset di partenza, anche dopo eventuali esclusioni di record dalle analisi.

dati_originali <- readr::read_csv("neonati.csv", show_col_types = FALSE)

var_numeriche <- c(
  "Anni.madre", "N.gravidanze", "Gestazione",
  "Peso", "Lunghezza", "Cranio"
)

etichette_var <- c(
  Anni.madre = "Età materna (anni)",
  N.gravidanze = "Gravidanze precedenti (numero)",
  Gestazione = "Età gestazionale (settimane)",
  Peso = "Peso (g)",
  Lunghezza = "Lunghezza (mm)",
  Cranio = "Circonferenza cranica (mm)"
)

dati <- dati_originali %>%
  mutate(
    ID_originale = row_number(),
    Fumatrici = factor(
      Fumatrici, levels = c(0, 1),
      labels = c("Non fumatrice", "Fumatrice")
    ),
    Tipo.parto = factor(
      Tipo.parto, levels = c("Nat", "Ces"),
      labels = c("Naturale", "Cesareo")
    ),
    Ospedale = factor(
      Ospedale, levels = c("osp1", "osp2", "osp3"),
      labels = c("Ospedale 1", "Ospedale 2", "Ospedale 3")
    ),
    Sesso = factor(
      Sesso, levels = c("F", "M"),
      labels = c("Femmina", "Maschio")
    )
  )

stopifnot(all(c(var_numeriche, "Fumatrici", "Tipo.parto",
                "Ospedale", "Sesso") %in% names(dati)))

1.2 Descrizione del dataset

Il dataset è costituito da 2500 osservazioni individuali relative a neonati appartenenti a tre strutture ospedaliere. Ciascuna osservazione rappresenta un singolo neonato e contiene informazioni fornite da una serie di variabili, che possono essere suddivise in tre gruppi:

  • Caratteristiche materne: età della madre, numero di gravidanze precedenti e stato di fumo materno (madre fumatrice o non fumatrice).
  • Caratteristiche neonatali: sesso, età gestazionale (in settimane), peso (in grammi), lunghezza e circonferenza cranica (in millimetri).
  • Modalità del parto: tipologia di parto (naturale o cesareo) e ospedale di riferimento.

La variabile di interesse principale è il peso, che costituisce la variabile dipendente nell’analisi di regressione.

Per facilitare il controllo delle singole osservazioni e l’eventuale individuazione di valori anomali, a ciascun record viene assegnato un identificativo progressivo. Tale identificativo ha esclusivamente una funzione di tracciamento e non viene utilizzato come variabile esplicativa nei modelli statistici.

L’analisi ha carattere osservazionale: i risultati consentono pertanto di descrivere le associazioni presenti nei dati, senza che queste possano essere interpretate, in assenza di ulteriori elementi, come relazioni causali.

2 Qualità e distribuzione dei dati

Prima di tutto controlliamo se ci sono dati mancanti nel nostro database.

na.flag <- FALSE
for(data in dati_originali){
  if(any(is.na(data))){
    na.flag <- TRUE
    break
  }
}

Da un rapido controllo, segue che non ci sono dati mancanti.

Possiamo quindi proseguire cercando outliers particolarmente estremi. Per un primo controllo individuiamo massimi e minimi delle diverse variabili.

variables <- dati[, c("Anni.madre", "N.gravidanze", "Gestazione", "Peso",
                                         "Lunghezza", "Cranio")]

ind.pos <- data.frame(
  Min = sapply(variables, min),
  Max = sapply(variables, max)
)

rownames(ind.pos) <- c(
  "Età madre",
  "Gravidanze precedenti",
  "Età gestazionale",
  "Peso",
  "Lunghezza",
  "Circonferenza cranica"
)

knitr::kable(
  ind.pos,
  digits = 2,
  col.names = c("", "Minimo", "Massimo"))
Minimo Massimo
Età madre 0 46
Gravidanze precedenti 0 12
Età gestazionale 25 43
Peso 830 4930
Lunghezza 310 565
Circonferenza cranica 235 390

Possiamo notare un valore evidentemente anomalo per l’età della madre, ossia 0. Cerchiamo velocemente se ci sono altri valori particolarmente bassi, ad esempio inferiori a 12 anni, consapevoli che si tratti di una soglia estremamente improbabile ma non impossibile.

eta_anomale <- data.frame(
  ID_originale = numeric(),
  Anni = numeric(),
  stringsAsFactors = FALSE
)
for(id in dati$ID_originale){
  if(dati$Anni.madre[dati$ID_originale == id] <= 12){
    eta_anomale <- rbind(
      eta_anomale,
      data.frame(ID_originale = id,
                 Anni = dati$Anni.madre[dati$ID_originale == id])
    )
  }
}

knitr::kable(
  eta_anomale,
  digits = 2,
  col.names = c("ID originale", "Età madre"))
ID originale Età madre
1152 1
1380 0
n_eta_anomale <- length(eta_anomale$Anni)

dati_analisi <- dati %>%
  mutate(Anni.madre = if_else(Anni.madre <= 1, NA_real_, as.numeric(Anni.madre)))

id_eta_ricodificate <- dati$ID_originale[
  !is.na(dati$Anni.madre) & dati$Anni.madre <= 1
]
min_eta <- min(dati_analisi$Anni.madre, na.rm = TRUE)

I 2 valori individuati (0 e 1 anni) non sono plausibili come età materne nel contesto di questo archivio. Li ricodifichiamo quindi come mancanti limitatamente alla variabile età della madre. Gli altri dati dei due record restano disponibili per le analisi che non richiedono l’età materna. Questa scelta non equivale a eliminare le due nascite dall’intero dataset.

Dopo la ricodifica, l’età materna minima osservata tra i valori utilizzabili è 13 anni. Anche questo valore è poco frequente e merita di essere letto come caratteristica del campione, non come riferimento clinico.

La tabella qui sotto riporta alcune statistiche descrittive delle variabili quantitative considerate nell’analisi.

variables <- dati_analisi[, c(
  "Anni.madre", "N.gravidanze", "Gestazione", "Peso",
  "Lunghezza", "Cranio"
)]

ind.pos <- data.frame(
    Media = sapply(variables, mean, na.rm = TRUE),
    CV = sapply(variables, sd, na.rm = TRUE)/sapply(variables, mean, na.rm = TRUE),
    Primo_Quart = sapply(variables, quantile, probs = 0.25, na.rm = TRUE),
    Mediana = sapply(variables, median, na.rm = TRUE),
    Terzo_Quart = sapply(variables, quantile, probs = 0.75, na.rm = TRUE)
)

rownames(ind.pos) <- c(
  "Età della madre",
  "Gravidanze precedenti",
  "Età gestazionale",
  "Peso",
  "Lunghezza",
  "Circonferenza cranica"
)

knitr::kable(
  ind.pos,
  digits = 2,
  col.names = c("", "Media", "Coeff. di variazione", "Primo quart.",
                "Mediana", "Terzo quart."),
  align = c("l", "r", "r", "r", "r", "r"))
Media Coeff. di variazione Primo quart. Mediana Terzo quart.
Età della madre 28.19 0.19 25 28 32
Gravidanze precedenti 0.98 1.31 0 1 1
Età gestazionale 38.98 0.05 38 39 40
Peso 3284.08 0.16 2990 3300 3620
Lunghezza 494.69 0.05 480 500 510
Circonferenza cranica 340.03 0.05 330 340 350

Oltre alla media, sono indicate la mediana, ovvero il valore che divide le osservazioni ordinate in due metà uguali, e il primo e il terzo quartile, che individuano rispettivamente il valore al di sotto del quale ricade il 25% delle osservazioni e quello al di sotto del quale ricade il 75%. L’intervallo compreso tra questi due quartili contiene quindi il 50% centrale dei dati. È inoltre riportato il coefficiente di variazione, definito come rapporto tra deviazione standard e media, che misura la dispersione relativa dei valori rispetto alla media e permette di confrontare la variabilità di grandezze espresse in unità di misura differenti.
Una piccola precisazione: per il numero di gravidanze precedenti, essendo la media vicina a zero, il coefficiente di variazione è poco informativo e va interpretato con cautela.

Per descrivere la distribuzione delle variabili qualitative considerate, si utilizzano grafici a barre, che rappresentano il numero di osservazioni appartenenti a ciascuna categoria. L’altezza delle barre permette di confrontare immediatamente la frequenza delle diverse modalità e di individuare eventuali squilibri nella composizione del campione.

library(patchwork)
library(scales)

p1 <- ggplot(dati_analisi, aes(x = Anni.madre)) +
  geom_histogram(
    binwidth = 1, boundary = 0.5,
    fill = "#477c8a", color = "white"
  ) +
  scale_x_continuous(breaks = breaks_width(2)) +
  labs(title = "Età materna", x = "Età (anni)", y = "Numero di nascite") +
  theme_minimal()

p2 <- ggplot(dati_analisi, aes(x = N.gravidanze)) +
  geom_histogram(
    binwidth = 1, boundary = -0.5,
    fill = "#477c8a", color = "white"
  ) +
  scale_x_continuous(breaks = breaks_width(1)) +
  labs(title = "Gravidanze precedenti", x = "Numero di gravidanze", y = "Numero di nascite") +
  theme_minimal()

p3 <- ggplot(dati_analisi, aes(x = Gestazione)) +
  geom_histogram(
    binwidth = 1, boundary = 0.5,
    fill = "#477c8a", color = "white"
  ) +
  scale_x_continuous(breaks = breaks_width(2)) +
  labs(title = "Età gestazionale", x = "Settimane", y = "Numero di nascite") +
  theme_minimal()

p4 <- ggplot(dati_analisi, aes(x = Peso)) +
  geom_histogram(
    binwidth = 200, boundary = 0,
    fill = "#477c8a", color = "white"
  ) +
  scale_x_continuous(breaks = breaks_width(500)) +
  labs(title = "Peso alla nascita", x = "Peso (g)", y = "Numero di nascite") +
  theme_minimal()

p5 <- ggplot(dati_analisi, aes(x = Lunghezza)) +
  geom_histogram(
    binwidth = 10, boundary = 0,
    fill = "#477c8a", color = "white"
  ) +
  scale_x_continuous(breaks = breaks_width(40)) +
  labs(title = "Lunghezza", x = "Lunghezza (mm)", y = "Numero di nascite") +
  theme_minimal()

p6 <- ggplot(dati_analisi, aes(x = Cranio)) +
  geom_histogram(
    binwidth = 5, boundary = 0,
    fill = "#477c8a", color = "white"
  ) +
  scale_x_continuous(breaks = breaks_width(20)) +
  labs(title = "Circonferenza cranica", x = "Circonferenza cranica (mm)", y = "Numero di nascite") +
  theme_minimal()

# Composizione: 2 colonne e 3 righe
(p1 | p2) /
(p3 | p4) /
(p5 | p6)

Possiamo notare che le variabili età materna, peso, lunghezza e circonferenza cranica sono distribuite abbastanza simmetricamente, mentre quella delle gravidanze precedenti ha valori via via decrescenti, mentre la distribuzione dell’età gestazionale si concentra intorno alla 40ª settimana per poi decrescere bruscamente.

Per interpretare più correttamente la distribuzione del peso alla nascita, è opportuno tenere conto dell’età gestazionale, poiché il peso atteso varia sensibilmente in funzione delle settimane di gravidanza. In particolare, adottiamo quattro fasce:

  • Meno di 32 settimane: raggruppa le nascite molto pretermine, per le quali il peso può essere nettamente inferiore a quello dei neonati più maturi. Manteniamo insieme queste settimane anche per evitare di creare sottogruppi troppo piccoli.
  • Da 32 a 36 settimane: comprende le nascite pretermine successive alle 32 settimane e precedenti al termine.
  • Da 37 a 41 settimane: comprende le nascite a termine secondo la definizione generale di gravidanza a termine. È una fascia ampia e al suo interno esistono differenze cliniche: la raggruppiamo qui per rendere più stabile il confronto descrittivo, non perché tutte queste settimane siano equivalenti.
  • 42 settimane o più: identifica le nascite post-termine, che è utile esaminare separatamente.
classi_gestazione <- c("<32", "32–36", "37–41", "≥42")

dati_per_gestazione <- dati_analisi %>%
  mutate(
    Intervallo_gestazione = case_when(
      Gestazione < 32 ~ "<32",
      Gestazione <= 36 ~ "32–36",
      Gestazione <= 41 ~ "37–41",
      Gestazione >= 42 ~ "≥42"
    ),
    Intervallo_gestazione = factor(
      Intervallo_gestazione,
      levels = classi_gestazione
    )
  )

# Conteggio per fascia
conteggi_gestazione <- dati_per_gestazione %>%
  count(Intervallo_gestazione, name = "N") %>%
  mutate(Percentuale = 100 * N / sum(N))

totale_con_gestazione <- sum(!is.na(dati_per_gestazione$Intervallo_gestazione))

tabella_per_gestazione <- dati_per_gestazione %>%
  filter(!is.na(Intervallo_gestazione)) %>%
  group_by(Intervallo_gestazione) %>%
  summarise(
    N = n(),
    Peso_Q1 = quantile(Peso, 0.25, na.rm = TRUE),
    Peso_mediana = median(Peso, na.rm = TRUE),
    Peso_Q3 = quantile(Peso, 0.75, na.rm = TRUE),
    Lunghezza_Q1 = quantile(Lunghezza, 0.25, na.rm = TRUE),
    Lunghezza_mediana = median(Lunghezza, na.rm = TRUE),
    Lunghezza_Q3 = quantile(Lunghezza, 0.75, na.rm = TRUE),
    Cranio_Q1 = quantile(Cranio, 0.25, na.rm = TRUE),
    Cranio_mediana = median(Cranio, na.rm = TRUE),
    Cranio_Q3 = quantile(Cranio, 0.75, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(
    `N (%)` = paste0(N, " (", formatta_numero(100 * N / totale_con_gestazione, 1), "%)"),
    `Peso mediano (Q1–Q3), g` = paste0(
      formatta_numero(Peso_mediana, 0), " (",
      formatta_numero(Peso_Q1, 0), "–", formatta_numero(Peso_Q3, 0), ")"
    ),
    `Lunghezza mediana (Q1–Q3), mm` = paste0(
      formatta_numero(Lunghezza_mediana, 0), " (",
      formatta_numero(Lunghezza_Q1, 0), "–", formatta_numero(Lunghezza_Q3, 0), ")"
    ),
    `Circonferenza cranica mediana (Q1–Q3), mm` = paste0(
      formatta_numero(Cranio_mediana, 0), " (",
      formatta_numero(Cranio_Q1, 0), "–", formatta_numero(Cranio_Q3, 0), ")"
    )
  ) %>%
  select(
    `Fascia di età gestazionale (settimane)` = Intervallo_gestazione,
    `N (%)`, `Peso mediano (Q1–Q3), g`,
    `Lunghezza mediana (Q1–Q3), mm`,
    `Circonferenza cranica mediana (Q1–Q3), mm`
  )

kable(
  tabella_per_gestazione,
  caption = "Misure neonatali descritte separatamente per fascia di età gestazionale"
)
Misure neonatali descritte separatamente per fascia di età gestazionale
Fascia di età gestazionale (settimane) N (%) Peso mediano (Q1–Q3), g Lunghezza mediana (Q1–Q3), mm Circonferenza cranica mediana (Q1–Q3), mm
<32 24 (1.0%) 1.282 (1.102–1.638) 385 (355–410) 275 (267–296)
32–36 138 (5.5%) 2.560 (2.152–2.860) 460 (445–479) 322 (310–334)
37–41 2280 (91.2%) 3.310 (3.050–3.630) 500 (485–510) 340 (332–350)
≥42 58 (2.3%) 3.575 (3.310–3.892) 510 (500–524) 346 (336–360)

Notiamo che il gruppo 37–41 settimane comprende la maggior parte del campione, mentre i gruppi sotto le 32 settimane e da 42 settimane in poi sono molto più piccoli. In particolare, i gruppi meno numerosi offrono una base più limitata per confronti dettagliati.

Allo scopo di visualizzare meglio come le variabili sono distribuite, utilizziamo dei boxplot. La scatola si estende dal primo al terzo quartile e la sua ampiezza rappresenta l’intervallo interquartile (IQR), che contiene il 50% centrale delle osservazioni e misura la dispersione dei valori. La linea all’interno della scatola indica la mediana. I baffi rappresentano l’estensione dei valori non anomali secondo il criterio adottato, mentre gli eventuali punti esterni individuano osservazioni potenzialmente anomale, gli outlier. Questi ultimi sono precisamente i valori che si trovano più una volta e mezza la distanza interquartile al di sotto del primo quartile o al di sopra del terzo quartile.

dati_per_gestazione %>%
  filter(!is.na(Intervallo_gestazione)) %>%
  select(Intervallo_gestazione, Peso, Lunghezza, Cranio) %>%
  pivot_longer(
    cols = c(Peso, Lunghezza, Cranio),
    names_to = "Misura",
    values_to = "Valore"
  ) %>%
  mutate(
    Misura = recode(
      Misura,
      Peso = "Peso (g)",
      Lunghezza = "Lunghezza (mm registrati)",
      Cranio = "Circonferenza cranica"
    )
  ) %>%
  ggplot(aes(x = Intervallo_gestazione, y = Valore)) +
  geom_boxplot(fill = "#d8e8eb", color = "#477c8a", outlier.alpha = 0.45) +
  facet_wrap(~ Misura, scales = "free_y", ncol = 1) +
  labs(
    title = "Distribuzione delle misure neonatali nelle diverse fasce di età gestazionale",
    x = "Età gestazionale (settimane)",
    y = "Valore registrato"
  )

Mostra le tabelle degli outlier
Caratteristiche dei neonati con outlier — intervallo 37–41
ID record Età gestazionale (settimane) Circonferenza cranica Peso (g) Lunghezza (mm)
34 39 382 3150 480
119 40 372 3410 550
126 41 370 4680 545
151 41 280 2280 450
165 40 360 4350 550
190 39 390 4050 525
205 38 384 3850 505
220 40 363 3520 445
241 41 355 4070 550
271 41 350 4140 550
288 38 332 2480 446
295 40 305 1850 460
304 37 326 2060 420
317 40 352 4000 550
322 37 305 1750 430
328 41 340 3900 550
329 40 340 4560 540
340 40 382 4150 520
353 39 300 2680 460
368 41 370 4600 540
383 39 346 3600 550
428 40 360 4400 550
458 38 315 2150 450
471 40 346 3680 560
532 41 380 3770 520
565 40 386 4250 520
600 41 370 4120 550
666 40 345 4240 555
684 39 390 3000 475
697 39 300 2820 510
712 38 300 2430 473
728 37 330 2340 440
729 39 355 3900 555
954 38 323 2430 445
956 41 310 2210 430
958 40 354 4240 550
964 40 335 4010 550
988 40 365 4150 550
991 40 385 4050 550
1014 37 295 2050 390
1113 40 380 4420 520
1157 40 380 4060 505
1188 40 320 4140 550
1194 39 325 2160 450
1215 40 355 3630 550
1222 40 372 4330 550
1275 38 305 1980 430
1283 40 376 4250 550
1293 38 380 4600 485
1306 41 352 4900 510
1321 40 383 4340 515
1323 39 355 3660 555
1356 40 390 4090 525
1395 39 304 3790 505
1420 38 380 3770 530
1433 41 364 4810 530
1510 37 305 2040 465
1513 40 367 4620 560
1541 38 343 4540 530
1551 38 374 4370 315
1556 41 300 2420 490
1577 37 310 2060 445
1634 38 328 2500 430
1635 39 322 3430 445
1639 40 365 4760 550
1644 41 360 3850 550
1712 39 300 3800 520
1735 37 345 2750 440
1743 38 305 1950 445
1745 40 378 4310 525
1775 40 380 4480 530
1826 41 360 4270 550
1838 40 360 4580 515
1844 37 310 2090 440
1868 40 390 3470 525
1920 39 350 4930 550
1960 37 345 2990 445
2006 38 309 2180 445
2023 39 354 4650 510
2040 38 359 3240 410
2076 40 360 4720 540
2213 37 299 2610 450
2215 40 298 2440 465
2235 41 373 4690 540
2273 38 300 2450 470
2306 37 315 2500 440
2391 41 366 4400 565
2392 40 355 4720 540
2417 40 378 4000 520
2438 39 315 2200 440
Caratteristiche dei neonati con outlier — intervallo 32–36
ID record Età gestazionale (settimane) Circonferenza cranica Peso (g) Lunghezza (mm)
101 34 287 1370 390
312 32 276 1280 360
492 33 295 1410 380
748 33 277 1390 390
947 32 297 1615 390
1181 36 373 4070 500
1428 36 292 1280 385
1553 35 360 4520 520
1701 32 301 1430 380
Caratteristiche dei neonati con outlier — intervallo <32
ID record Età gestazionale (settimane) Circonferenza cranica Peso (g) Lunghezza (mm)
310 28 379 1560 420
1429 29 355 1280 390

Tra questi selezioniamo poi solo i valori estremi che distano ben tre volte la distanza interquartile dal primo e dal terzo quartile.

Caratteristiche dei neonati con valori estremi — intervallo 37–41
ID record Età gestazionale (settimane) Circonferenza cranica Peso (g) Lunghezza (mm)
1014 37 295 2050 390
1551 38 374 4370 315

Il record 1551 presenta una combinazione di caratteristiche potenzialmente anomala: in particolare, la lunghezza registrata è insolitamente bassa rispetto alle altre misure antropometriche. L’osservazione viene quindi segnalata per un approfondimento, ma non viene esclusa a priori. In assenza di una verifica della fonte originaria che dimostri un errore di rilevazione o di trascrizione, mantenerla nel campione consente di valutarne l’effettiva influenza attraverso la diagnostica del modello, considerando residui studentizzati, leverage e distanza di Cook.

stopifnot(sum(dati_analisi$ID_originale == 1551) == 1)

3 Tre domande descrittive

In questa sezione vengono affrontate alcune domande di interesse clinico attraverso opportuni strumenti di statistica inferenziale. In particolare, si vuole verificare se la frequenza dei parti cesarei differisca tra i tre ospedali, confrontare il peso medio e la lunghezza media dei neonati osservati con i valori riportati dalla coorte italiana NASCITA (3.254,7 g e 49,6 cm) e verificare se le misure antropometriche differiscano tra neonati di sesso maschile e femminile. I valori NASCITA sono medie campionarie pubblicate e vengono qui utilizzati come riferimenti descrittivi, non come soglie cliniche o standard universali.

Per rispondere a queste domande, ciascuna analisi sarà preceduta dalla formulazione di un sistema di ipotesi, costituito da un’ipotesi nulla \(\mathrm{H}_0\) e da un’ipotesi alternativa \(\mathrm{H}_1\). La scelta del test statistico dipende dalla natura delle variabili e dal confronto che si intende effettuare: si potranno quindi confrontare una media con un valore di riferimento, le medie di due gruppi oppure verificare l’indipendenza tra due variabili categoriali.

Un test di ipotesi consente di valutare quanto i dati osservati siano compatibili con l’ipotesi nulla. A questo scopo si utilizza il p-value, che rappresenta la probabilità, supponendo vera \(\mathrm{H}_0\), di ottenere un risultato almeno altrettanto estremo di quello osservato. Un p-value piccolo indica che i dati sarebbero poco compatibili con l’ipotesi nulla e costituiscono quindi un’evidenza a suo sfavore. Convenzionalmente, si adotta una soglia di significatività pari a 0,05: quando il p-value è inferiore a tale valore, si rifiuta l’ipotesi nulla. Un’altra informazione riportata nelle tabelle è l’intervallo di confidenza (IC), generalmente calcolato al 95%. Esso fornisce un intervallo di valori compatibili con i dati osservati per il parametro che si intende stimare, tenendo conto della variabilità campionaria.

È importante ricordare che il p-value non esprime la probabilità che l’ipotesi nulla sia vera e non misura l’entità o la rilevanza clinica di una differenza. Un risultato statisticamente significativo, infatti, non è necessariamente rilevante dal punto di vista clinico. Analogamente, un risultato non significativo non dimostra che una differenza o un’associazione siano assenti.

3.1 Il ricorso al cesareo varia tra ospedali?

Confrontiamo la percentuale di cesarei nei tre ospedali. Poiché entrambe le variabili sono qualitative e vogliamo verificare se la distribuzione del tipo di parto cambia tra le tre strutture, utilizziamo un test chi-quadrato di indipendenza su una tabella di frequenze. Per valutare anche l’intensità dell’eventuale associazione tra le due variabili, affianchiamo al test la V di Cramér, un indice che assume valori compresi tra 0 e 1: valori prossimi a 0 indicano un’associazione debole, mentre valori più elevati indicano un’associazione più intensa.

Le ipotesi sono:

  • \(\mathrm{H}_0\): ospedale e tipo di parto sono indipendenti, ossia la distribuzione dei parti naturali e cesarei è la stessa nei tre ospedali.
  • \(\mathrm{H}_1\): ospedale e tipo di parto non sono indipendenti, ossia almeno un ospedale presenta una distribuzione diversa.

Il test valuta quindi un’associazione complessiva: da solo non identifica quali ospedali differiscano tra loro.

tabella_parto <- with(dati_analisi, table(Ospedale, Tipo.parto))
test_chi <- chisq.test(tabella_parto, correct = FALSE)

v_cramer <- sqrt(
  as.numeric(test_chi$statistic) /
    (sum(tabella_parto) * (min(dim(tabella_parto)) - 1))
)

riepilogo_cesarei <- dati_analisi %>%
  group_by(Ospedale) %>%
  summarise(
    N = n(),
    Cesarei = sum(Tipo.parto == "Cesareo", na.rm = TRUE),
    Percentuale_cesarei = 100 * mean(Tipo.parto == "Cesareo", na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(Percentuale_cesarei = round(Percentuale_cesarei, 1))

knitr::kable(
  riepilogo_cesarei,
  col.names = c("Ospedale", "Parti", "Cesarei", "Cesarei (%)"),
  caption = "Numero e percentuale di cesarei per ospedale"
)
Numero e percentuale di cesarei per ospedale
Ospedale Parti Cesarei Cesarei (%)
Ospedale 1 816 242 29.7
Ospedale 2 849 254 29.9
Ospedale 3 835 232 27.8

Il test chi-quadrato restituisce un p-value pari a 0.578: non emerge evidenza statistica di un’associazione tra ospedale e tipo di parto. La V di Cramer, pari a 0.02 indica che l’associazione tra le due variabili è molto debole.

3.2 Come si confrontano peso e lunghezza con una coorte italiana?

Confrontiamo le medie campionarie con le medie riportate dalla coorte nazionale NASCITA. Pandolfini et al. (2022) riportano, per 5.054 neonati arruolati in una coorte italiana, un peso medio alla nascita di 3.254,7 g e una lunghezza media di 49,6 cm. Questi valori costituiscono un termine di confronto empirico: non sono soglie cliniche né standard di normalità.

Per questo confronto ci avvaliamo del test t di Student a un campione, che è appropriato quando non si conosce a priori la deviazione standard della popolazione. La statistica test, ottenuta rapportando la differenza tra la media osservata e il valore di riferimento al relativo errore standard, segue sotto l’ipotesi nulla una distribuzione t di Student.

Il p-value rappresenta la probabilità, supponendo vera l’ipotesi nulla, di ottenere una statistica test almeno altrettanto distante da zero di quella osservata. Trattandosi di un test bilaterale, tale probabilità corrisponde all’area complessiva delle due code della distribuzione, oltre i valori della statistica test osservata e del suo opposto.

Per il peso le ipotesi sono:

  • \(\mathrm{H}_0\): la media della popolazione rappresentata dal campione è pari a 3.254,7 g (\(\mu_{peso}=3254{,}7\)).
  • \(\mathrm{H}_1\): la media del peso è diversa da 3.254,7 g (\(\mu_{peso}\neq3254{,}7\)).

Per la lunghezza le ipotesi sono:

  • \(\mathrm{H}_0\): la media della popolazione rappresentata dal campione per la lunghezza è pari a 49,6 cm (\(\mu_{lunghezza}=49{,}6\)).
  • \(\mathrm{H}_1\): la media della lunghezza è diversa da 49,6 cm (\(\mu_{lunghezza}\neq49{,}6\)).
riferimento_peso <- 3254.7
riferimento_lunghezza <- 49.6

test_peso <- t.test(dati_analisi$Peso, mu = riferimento_peso)
test_lunghezza <- t.test(dati_analisi$Lunghezza / 10, mu = riferimento_lunghezza)

tab_confronto <- tibble(
  Misura = c("Peso (g)", "Lunghezza (cm)"),
  Media_campione = c(
    mean(dati_analisi$Peso, na.rm = TRUE),
    mean(dati_analisi$Lunghezza / 10, na.rm = TRUE)
  ),
  Riferimento = c(riferimento_peso, riferimento_lunghezza),
  Differenza = c(
    mean(dati_analisi$Peso, na.rm = TRUE) - riferimento_peso,
    mean(dati_analisi$Lunghezza / 10, na.rm = TRUE) - riferimento_lunghezza
  ),
  IC95_inferiore = c(
    test_peso$conf.int[1] - riferimento_peso,
    test_lunghezza$conf.int[1] - riferimento_lunghezza
  ),
  IC95_superiore = c(
    test_peso$conf.int[2] - riferimento_peso,
    test_lunghezza$conf.int[2] - riferimento_lunghezza
  ),
  p = c(test_peso$p.value, test_lunghezza$p.value)
) %>%
  mutate(
    across(
      c(Media_campione, Riferimento, Differenza,
        IC95_inferiore, IC95_superiore),
      ~ round(.x, 2)
    ),
    `p-value` = vapply(p, formatta_p, character(1))
  ) %>%
  select(-p)

knitr::kable(
  tab_confronto,
  caption = "Confronto con i valori di riferimento",
  col.names = c("Misura", "Media campione", "Riferimento",
                "Differenza", "IC95% inferiore", "IC95% superiore",
                "p-value")
)
Confronto con i valori di riferimento
Misura Media campione Riferimento Differenza IC95% inferiore IC95% superiore p-value
Peso (g) 3284.08 3254.7 29.38 8.79 49.97 0.005
Lunghezza (cm) 49.47 49.6 -0.13 -0.23 -0.03 0.013

Entrambi i confronti evidenziano una differenza statisticamente significativa rispetto ai valori di riferimento. È tuttavia opportuno ricordare che i valori medi esterni sono trattati come costanti: i test non incorporano l’incertezza campionaria delle stime della coorte NASCITA. I risultati vanno pertanto interpretati come indicativi.

3.3 Le misure differiscono tra maschi e femmine?

Confrontiamo due gruppi indipendenti (maschi e femmine) per ciascuna delle tre misure. Lo strumento appropriato è il test t di Welch, che non assume l’uguaglianza delle varianze. Definiamo la differenza come media nei maschi meno media nelle femmine.

Per ciascuna misura (peso, lunghezza e circonferenza cranica) formuliamo le stesse ipotesi, applicate alla rispettiva media:

  • \(\mathrm{H}_0\): la media nei maschi è uguale alla media nelle femmine (\(\mu_M-\mu_F=0\)).
  • \(\mathrm{H}_1\): le due medie sono diverse (\(\mu_M-\mu_F\neq0\)).
dati_F <- filter(dati_analisi, Sesso == "Femmina")
dati_M <- filter(dati_analisi, Sesso == "Maschio")

test_peso_mf <- t.test(dati_M$Peso, dati_F$Peso)
test_lunghezza_mf <- t.test(dati_M$Lunghezza, dati_F$Lunghezza)
test_cranio_mf <- t.test(dati_M$Cranio, dati_F$Cranio)

medie_M <- c(
  mean(dati_M$Peso, na.rm = TRUE),
  mean(dati_M$Lunghezza / 10, na.rm = TRUE),
  mean(dati_M$Cranio / 10, na.rm = TRUE)
)
medie_F <- c(
  mean(dati_F$Peso, na.rm = TRUE),
  mean(dati_F$Lunghezza / 10, na.rm = TRUE),
  mean(dati_F$Cranio / 10, na.rm = TRUE)
)

tab_mf <- tibble(
  Misura = c("Peso (g)", "Lunghezza (cm)",
             "Circonferenza cranica (cm)"),
  Media_M = medie_M,
  Media_F = medie_F,
  Differenza_M_F = medie_M - medie_F,
  IC95_inferiore = c(
    test_peso_mf$conf.int[1],
    test_lunghezza_mf$conf.int[1] / 10,
    test_cranio_mf$conf.int[1] / 10
  ),
  IC95_superiore = c(
    test_peso_mf$conf.int[2],
    test_lunghezza_mf$conf.int[2] / 10,
    test_cranio_mf$conf.int[2] / 10
  ),
  p = c(
    test_peso_mf$p.value,
    test_lunghezza_mf$p.value,
    test_cranio_mf$p.value
  )
) %>%
  mutate(
    across(
      c(Media_M, Media_F, Differenza_M_F,
        IC95_inferiore, IC95_superiore),
      ~ round(.x, 2)
    ),
    `p-value` = vapply(p, formatta_p, character(1))
  ) %>%
  select(-p)

knitr::kable(
  tab_mf,
  caption = "Confronto tra le misure di maschi e femmine",
  col.names = c("Misura", "Media maschi", "Media femmine",
                "Differenza M−F", "IC95% inferiore",
                "IC95% superiore", "p-value")
)
Confronto tra le misure di maschi e femmine
Misura Media maschi Media femmine Differenza M−F IC95% inferiore IC95% superiore p-value
Peso (g) 3408.22 3161.13 247.08 207.06 287.11 < 0.001
Lunghezza (cm) 49.97 48.98 0.99 0.79 1.19 < 0.001
Circonferenza cranica (cm) 34.24 33.76 0.48 0.35 0.61 < 0.001

Tutte e tre le differenze risultano statisticamente significative nel confronto non aggiustato. Questi confronti non correggono per età gestazionale o per le altre caratteristiche: l’eventuale coefficiente del sesso nel modello multivariato risponde a una domanda diversa, confrontando neonati a parità degli altri predittori.

4 Modello di regressione del peso

La regressione lineare multipla è una tecnica statistica che permette di studiare la relazione tra una variabile di interesse, detta variabile dipendente, e un insieme di altre variabili, dette variabili indipendenti o predittori. Nel nostro caso, l’obiettivo è analizzare come le caratteristiche materne e neonatali disponibili prima del parto siano associate al peso alla nascita, con una finalità orientata alla previsione prenatale.

Il modello esprime il peso come combinazione lineare dei diversi predittori:

\[ Y_i = \beta_0 + \beta_1 X_{i1} + \beta_2 X_{i2} + \dots + \beta_k X_{ik} + \varepsilon_i, \]

dove \(Y_i\) rappresenta il peso del neonato \(i\)-esimo, \(X_{ij}\) il valore assunto dal predittore \(j\)-esimo per la stessa osservazione, \(\beta_0\) l’intercetta, \(\beta_j\) i coefficienti di regressione ed \(\varepsilon_i\) la componente di errore, che raccoglie la parte della variabilità non spiegata dal modello.

Chiameremo formula la sua specificazione, ossia l’espressione che individua la variabile risposta e i predittori inclusi, comprese eventuali trasformazioni delle variabili e interazioni tra di esse. La formula definisce quindi la struttura del modello, distinguendola dai coefficienti, che vengono stimati a partire dai dati.

I coefficienti di regressione descrivono come varia mediamente il peso previsto dal modello al variare di ciascun predittore, mantenendo costanti tutti gli altri. Per una variabile quantitativa, il coefficiente indica la variazione attesa del peso associata a un incremento unitario di quella variabile. Per una variabile qualitativa, invece, il coefficiente esprime la differenza rispetto a una categoria di riferimento, a parità degli altri predittori. Il segno del coefficiente indica la direzione della relazione: positivo se all’aumentare del predittore aumenta il peso previsto, negativo nel caso opposto.

Per valutare la rilevanza statistica dei singoli coefficienti si considera il p-value, calcolato nell’ambito di un test d’ipotesi che verifica se il coefficiente della variabile considerata sia significativamente diverso da zero. In particolare, l’ipotesi nulla afferma che, mantenendo costanti gli altri predittori, non vi sia un’associazione lineare tra quella variabile e il peso.

Nelle tabelle dei risultati compaiono anche l’errore standard e la statistica t. L’errore standard misura l’incertezza associata alla stima di ciascun coefficiente: valori più piccoli indicano stime generalmente più precise. La statistica t si ottiene dividendo il coefficiente stimato per il suo errore standard e misura quanto la stima si discosta da zero in rapporto alla propria incertezza. Il p-value viene quindi ricavato dalla distribuzione t di Student e permette di valutare la compatibilità dei risultati con l’ipotesi nulla.

Per valutare la capacità del modello di descrivere i dati osservati si considera innanzitutto il coefficiente di determinazione \(R^2\). Esso rappresenta la proporzione della variabilità della variabile dipendente che viene spiegata dal modello. Assume valori compresi tra 0 e 1: valori più elevati indicano che il modello riesce a spiegare una quota maggiore della variabilità osservata. Tuttavia, l’aggiunta di nuovi predittori non può diminuire il valore di \(R^2\), anche quando le variabili aggiunte apportano un contributo limitato. Per questo motivo, nella valutazione di modelli con un numero diverso di predittori è utile considerare anche l’\(R^2\) aggiustato, che tiene conto del numero di variabili incluse.

Per confrontare modelli alternativi si possono inoltre utilizzare due criteri di selezione: l’Akaike Information Criterion (AIC) e il Bayesian Information Criterion (BIC). Entrambi valutano il compromesso tra la capacità del modello di adattarsi ai dati e la sua complessità, introducendo una penalizzazione per il numero di parametri stimati. In questo modo, un modello più complesso viene preferito soltanto se il miglioramento dell’adattamento è sufficientemente consistente da compensare la penalizzazione.I due criteri differiscono principalmente per l’entità della penalizzazione: il BIC penalizza maggiormente i modelli più complessi, soprattutto quando la numerosità campionaria è elevata. In entrambi i casi, valori più bassi indicano modelli preferibili rispetto a quelli con cui vengono confrontati.

Nel presente lavoro si è scelto di utilizzare il BIC come criterio principale per la selezione del modello, privilegiando una soluzione relativamente parsimoniosa, capace di descrivere adeguatamente i dati senza introdurre un numero eccessivo di predittori e termini aggiuntivi. Questa scelta mira a limitare il rischio di sovradattamento (overfitting) e a favorire un modello più semplice e interpretabile. Il valore di \(R^2\) e quello dell’\(R^2\) corretto vengono invece utilizzati come indicatori complementari della capacità esplicativa del modello.

Infine, un ulteriore aspetto da considerare nella costruzione del modello è la multicollinearità, che si verifica quando alcuni predittori sono fortemente correlati tra loro. In questa situazione può diventare difficile distinguere con precisione il contributo dei singoli termini e gli errori standard dei relativi coefficienti possono aumentare. Per valutarla utilizzeremo il Variance Inflation Factor (VIF), definito per ciascun termine come

\[ \mathrm{VIF}_j = \frac{1}{1-R_j^2}, \]

dove \(R_j^2\) è il coefficiente di determinazione ottenuto regredendo il termine considerato su tutti gli altri predittori del modello. Un VIF pari a 1 indica assenza di collinearità lineare con gli altri termini. Come regole orientative, valori inferiori a 5 sono spesso considerati contenuti, valori superiori a 5 suggeriscono di approfondire la situazione e valori superiori a 10 indicano una criticità più marcata.

Per i termini che richiedono più coefficienti, invece, viene utilizzato il Generalized Variance Inflation Factor (GVIF), che valuta l’inflazione dell’incertezza associata congiuntamente all’intero gruppo di coefficienti, tenendo conto anche delle loro correlazioni reciproche. Per questi ultimi termini viene inoltre riportata la quantità \(GVIF^{1/(2Df)}\), che consente di rendere i valori confrontabili tra termini con un diverso numero di gradi di libertà.

4.1 Preparazione dei dati

Poiché i modelli di regressione devono essere stimati sullo stesso campione completo, così da rendere confrontabili i rispettivi criteri di selezione, i record con età materna ricodificata come mancante 1152 e 1380 (vedi Sezione 2) saranno esclusi dal campione di analisi della regressione. Al nuovo campione così ottenuto, assegniamo una nuova numerazione progressiva, coincidente con l’indice delle osservazioni nel modello, che chiamiamo ID record. La colonna ID originale conserva invece l’identificativo del record nel dataset iniziale, consentendo di risalire ai dati di partenza.

Poiché l’obiettivo dichiarato è una previsione effettuata prima del parto, il tipo di parto viene escluso a priori dal modello: è una caratteristica che si realizza dopo il momento in cui la previsione dovrebbe essere prodotta. Anche l’ospedale viene escluso, perché identifica la struttura in cui è avvenuta la nascita e non rappresenta, in questo contesto, una caratteristica materna o fetale trasferibile a una previsione prenatale. Entrambe le variabili restano comunque disponibili per le analisi descrittive.

Nella regressione utilizzeremo le versioni centrate di età gestazionale, lunghezza e circonferenza cranica, ottenute sottraendo a ciascuna variabile la propria media campionaria. Questa trasformazione rende più agevole l’interpretazione dei termini di ordine superiore e può ridurre la collinearità non essenziale tra effetti lineari, termini quadratici e interazioni.

predittori_candidati <- c(
  "Anni.madre", "N.gravidanze", "Fumatrici", "Gestazione",
  "Lunghezza", "Cranio", "Sesso"
)

dati_modello <- dati_analisi %>%
  select(ID_originale, Peso, all_of(predittori_candidati)) %>%
  drop_na() %>%
  droplevels() %>%
  mutate(ID_record = row_number()) %>%
  relocate(ID_record, ID_originale)

# Centriamo cranio, lunghezza e gestazione
centri <- c(
  Gestazione = mean(dati_modello$Gestazione),
  Lunghezza = mean(dati_modello$Lunghezza),
  Cranio = mean(dati_modello$Cranio)
)

dati_modello <- dati_modello %>%
  mutate(
    Gestazione_c = Gestazione - centri[["Gestazione"]],
    Lunghezza_c = Lunghezza - centri[["Lunghezza"]],
    Cranio_c = Cranio - centri[["Cranio"]]
  )

centra_predittori <- function(nuovi_dati) {
  nuovi_dati %>%
    mutate(
      Gestazione_c = Gestazione - centri[["Gestazione"]],
      Lunghezza_c = Lunghezza - centri[["Lunghezza"]],
      Cranio_c = Cranio - centri[["Cranio"]]
    )
}

# Verifica consigliata dall'AI: l'ID del campione coincide esattamente con l'indice di riga.
stopifnot(identical(dati_modello$ID_record, seq_len(nrow(dati_modello))))

n_esclusi <- nrow(dati_analisi) - nrow(dati_modello)
id_esclusi_modello <- setdiff(
  dati_analisi$ID_originale,
  dati_modello$ID_originale
)

stopifnot(
  nrow(dati_modello) > 0,
  nlevels(dati_modello$Fumatrici) >= 2,
  nlevels(dati_modello$Sesso) >= 2
)

4.2 Esplorazione delle relazioni

Prima di procedere alla regressione, esaminiamo le relazioni tra il peso alla nascita e le altre variabili quantitative, nonché le relazioni tra i predittori stessi. A questo scopo, utilizziamo due rappresentazioni complementari.

In primo luogo, attraverso grafici di dispersione e curve di smoothing, analizziamo la relazione tra il peso e ciascun predittore quantitativo, così da osservarne l’andamento e individuare eventuali tendenze non lineari. Successivamente, esaminiamo la matrice delle correlazioni di Pearson tra le variabili quantitative, che consente di valutare la forza e la direzione delle relazioni lineari, mettendo in evidenza anche eventuali sovrapposizioni informative tra predittori (per esempio tra lunghezza e circonferenza cranica).

variabili_correlazione <- c(
  "Peso", "Anni.madre", "N.gravidanze", "Gestazione",
  "Lunghezza", "Cranio"
)

# Scatterplot del peso
dati_modello %>%
  select(all_of(variabili_correlazione)) %>%
  pivot_longer(-Peso, names_to = "Predittore", values_to = "Valore") %>%
  mutate(Predittore = unname(etichette_var[Predittore])) %>%
  ggplot(aes(x = Valore, y = Peso)) +
  geom_point(alpha = 0.25, color = "#477c8a") +
  geom_smooth(method = "loess", se = TRUE,
              color = "#bd6b42", linewidth = 0.9) +
  facet_wrap(~ Predittore, scales = "free_x", ncol = 2) +
  labs(
    title = "Grafici di dispersione di peso e predittori quantitativi",
    x = "Valore del predittore", y = "Peso (g)"
  )

# Matrice delle correlazioni
dati_cor <- dati_modello %>%
  select(all_of(variabili_correlazione))

matrice_cor <- cor(
  dati_cor,
  use = "pairwise.complete.obs",
  method = "pearson"
)

etichette_cor <- etichette_var[rownames(matrice_cor)]

etichette_cor[is.na(etichette_cor)] <-
  rownames(matrice_cor)[is.na(etichette_cor)]

etichette_cor <- unname(etichette_cor)

rownames(matrice_cor) <- etichette_cor
colnames(matrice_cor) <- etichette_cor

# Solo triangolo inferiore, diagonale esclusa.
matrice_cor_visibile <- matrice_cor
matrice_cor_visibile[
  upper.tri(matrice_cor_visibile, diag = TRUE)
] <- NA_real_

cor_long <- as.data.frame(as.table(matrice_cor_visibile)) %>%
  rename(
    Variabile_1 = Var1,
    Variabile_2 = Var2,
    Correlazione = Freq
  ) %>%
  filter(!is.na(Correlazione))

grafico_cor <- ggplot(
  cor_long,
  aes(x = Variabile_2, y = Variabile_1, fill = Correlazione)
) +
  geom_tile(color = "white", linewidth = 0.5) +
  geom_text(
    aes(label = sprintf("%.3f", Correlazione)),
    size = 3.2
  ) +
  scale_fill_gradient2(
    low = "#B35858",
    mid = "white",
    high = "#756BB1",
    midpoint = 0,
    limits = c(-1, 1)
  ) +
  scale_x_discrete(position = "bottom") +
  scale_y_discrete(limits = rev(etichette_cor[-1])) +
  coord_equal() +
  labs(
    title = "Correlazioni tra le variabili",
    x = NULL,
    y = NULL,
    fill = "Pearson r"
  ) +
  theme_minimal() +
  theme(
    panel.grid = element_blank(),
    axis.text.x = element_text(
      angle = 40,
      hjust = 1,
      size = 9
    ),
    axis.text.y = element_text(size = 9),
    plot.title = element_text(
      hjust = 0.5,
      face = "bold"
    ),
    legend.position = "right"
  )

grafico_cor

Dall’analisi congiunta dei grafici emerge un’associazione positiva tra il peso alla nascita e tre variabili: età gestazionale, circonferenza cranica e lunghezza. L’associazione appare più marcata per la lunghezza e la circonferenza cranica, mentre è più contenuta per l’età gestazionale.

Le curve LOESS suggeriscono possibili deviazioni da un andamento lineare per tutti i regressori, sebbene la loro entità e attendibilità varino in funzione della distribuzione delle osservazioni. Nelle regioni maggiormente popolate, il peso sembra crescere in maniera approssimativamente lineare in funzione della lunghezza e della circonferenza cranica, anche se per quest’ultima si osserva un possibile appiattimento in corrispondenza dei valori più elevati. Per l’età gestazionale, invece, la pendenza della curva sembra diminuire progressivamente, suggerendo un incremento del peso via via meno accentuato.

Per quanto riguarda l’età materna, la curva suggerisce un andamento non lineare: il peso sembra aumentare lievemente nelle fasce iniziali, raggiungere una zona di relativa stabilità e infine diminuire alle età più avanzate. Un andamento in parte simile si osserva per il numero di gravidanze precedenti, per il quale il peso sembra aumentare soprattutto nei primi passaggi, per poi stabilizzarsi e mostrare una possibile flessione ai valori più elevati. Queste ultime tendenze vanno tuttavia interpretate con cautela, soprattutto nelle regioni in cui il numero di osservazioni è più limitato.

Per quanto riguarda le relazioni tra i predittori, si osservano associazioni positive di entità moderata tra età gestazionale, lunghezza e circonferenza cranica. Sebbene queste variabili condividano quindi parte dell’informazione, le correlazioni osservate non raggiungono valori tali da far ipotizzare, sulla sola base dell’analisi bivariata, una multicollinearità particolarmente marcata. È comunque opportuno verificare questo aspetto anche nella successiva fase di costruzione e diagnostica del modello, poiché le correlazioni a coppie non sono sufficienti a escludere eventuali problemi di collinearità.

Si può infine notare una dispersione piuttosto ampia dei valori osservati attorno alle tendenze individuate. Ciò suggerisce che nessuna delle variabili, considerata isolatamente, descriva completamente la variabilità del peso. Risulta pertanto opportuno considerare congiuntamente i diversi predittori attraverso un modello di regressione multipla.

4.3 Modello iniziale e selezione dei predittori

Stimiamo innanzitutto un modello che include tutti i predittori candidati. Ricordiamo che le variabili età gestazionale, lunghezza e circonferenza cranica sono state centrate per ridurre la collinearità.

Le variabili qualitative incluse nel modello vengono rappresentate mediante variabili indicatrici (dummy). A una variabile qualitativa con n modalità corrispondono n-1 variabili indicatrici, ciascuna delle quali assume valore 1 quando l’osservazione appartiene a una determinata modalità e 0 altrimenti. La modalità non rappresentata costituisce la categoria di riferimento. Nel modello consideriamo il fumo materno (fumatrice rispetto a non fumatrice) e il sesso del neonato (maschio rispetto a femmina). Il tipo di parto e l’ospedale sono esclusi a priori per le ragioni legate al momento e al contesto di utilizzo della previsione illustrate sopra.

formula_completa <- Peso ~ Anni.madre + N.gravidanze + Fumatrici +
  Gestazione_c + Lunghezza_c + Cranio_c + Sesso

mod1 <- lm(formula_completa, data = dati_modello)

mod2 <- step(
  mod1,
  direction = "backward",
  scope = list(
    lower = Peso ~ Fumatrici + Sesso,
    upper = formula(mod1)
  ),
  k = log(nobs(mod1)),
  trace = 0
)

vif_valori <- function(modello) {
  valori <- car::vif(modello)

  if (is.matrix(valori)) {
    tibble::tibble(
      termine_vif = rownames(valori),
      VIF = ifelse(
        valori[, "Df"] == 1,
        valori[, "GVIF"],
        valori[, "GVIF"]^(1 / (2 * valori[, "Df"]))
      )
    )
  } else {
    tibble::tibble(
      termine_vif = names(valori),
      VIF = as.numeric(valori)
    )
  }
}

vif_valore <- function(modello, termine) {
  valori <- vif_valori(modello) %>%
    filter(termine_vif == termine) %>%
    pull(VIF)

  if (length(valori) == 0) NA_real_ else valori[[1]]
}

tabella_coefficienti <- function(modello) {
  vif_modello <- vif_valori(modello)

  broom::tidy(modello) %>%
    filter(term != "(Intercept)") %>%
    mutate(
      termine_vif = case_when(
        startsWith(term, "Fumatrici") ~ "Fumatrici",
        startsWith(term, "Sesso") ~ "Sesso",
        TRUE ~ term
      )
    ) %>%
    left_join(vif_modello, by = "termine_vif") %>%
    mutate(
      p.value = vapply(p.value, formatta_p, character(1)),
      Termine = dplyr::recode(
        term,
        "Gestazione_c" = "Età gestazionale",
        "Lunghezza_c" = "Lunghezza",
        "Cranio_c" = "Circonferenza cranica",
        "I(Gestazione_c^2)" = "(Età gestazionale)<sup>2</sup>",
        "I(Gestazione_c * Cranio_c)" = "Età gestazionale × Circonferenza cranica",
        "I(Gestazione_c * Lunghezza_c)" = "Età gestazionale × Lunghezza",
        "I(Cranio_c * Lunghezza_c)" = "Circonferenza cranica × Lunghezza",
        "Anni.madre" = "Età materna",
        "N.gravidanze" = "Gravidanze precedenti",
        "FumatriciFumatrice" = "Fumatrice",
        "SessoMaschio" = "Maschio",
        .default = term
      )
    ) %>%
    transmute(
      Termine,
      Stima = estimate,
      `Errore standard` = std.error,
      `Statistica t` = statistic,
      `p-value` = p.value,
      `VIF (o GVIF corretto)` = VIF
    )
}

knitr::kable(
  tabella_coefficienti(mod1),
  digits = 4,
  caption = "Coefficienti del modello 1",
  escape = FALSE
)
Coefficienti del modello 1
Termine Stima Errore standard Statistica t p-value VIF (o GVIF corretto)
Età materna 0.8803 1.1491 0.7661 0.444 1.1893
Gravidanze precedenti 11.3789 4.6767 2.4331 0.015 1.1874
Fumatrice -30.3958 27.6080 -1.1010 0.271 1.0067
Età gestazionale 32.9472 3.8288 8.6051 < 0.001 1.6943
Lunghezza 10.2316 0.3011 33.9790 < 0.001 2.0797
Circonferenza cranica 10.5198 0.4271 24.6328 < 0.001 1.6290
Maschio 78.0787 11.2132 6.9631 < 0.001 1.0405

Ricordiamo che i coefficienti di regressione descrivono come varia il peso atteso al variare di un predittore, mantenendo costanti tutte le altre variabili indipendenti. I p-value elevati associati ai coefficienti dell’età materna e della variabile fumatrice indicano che non disponiamo di evidenze statistiche sufficienti per considerarli significativamente diversi da zero. Questo risultato suggerisce che, nel modello considerato, non emerga un’associazione statisticamente significativa tra queste variabili e il peso alla nascita.

Per individuare un modello più parsimonioso, ci baseremo principalmente sul valore del BIC e, in secondo luogo, sull’\(R^2\). In particolare, procederemo mediante la cosiddetta backward selection, eliminando a ogni passaggio il predittore la cui esclusione determina la maggiore riduzione del BIC. Manterremo tuttavia nel modello il fumo materno, per il suo interesse sostantivo, e il sesso del neonato, per tener conto di una caratteristica biologica rilevante per il peso alla nascita.

knitr::kable(
  tabella_coefficienti(mod2),
  digits = 4,
  caption = "Coefficienti del modello 2",
  escape = FALSE
)
Coefficienti del modello 2
Termine Stima Errore standard Statistica t p-value VIF (o GVIF corretto)
Gravidanze precedenti 12.6996 4.3470 2.9215 0.004 1.0261
Fumatrice -30.5728 27.6048 -1.1075 0.268 1.0066
Età gestazionale 32.6437 3.8079 8.5726 < 0.001 1.6762
Lunghezza 10.2309 0.3011 33.9795 < 0.001 2.0797
Circonferenza cranica 10.5366 0.4265 24.7066 < 0.001 1.6247
Maschio 78.1596 11.2117 6.9712 < 0.001 1.0404
riepilogo_modelli <- function(modello) {
  tibble(
    R_quadro = summary(modello)$r.squared,
    R_quadro_corretto = summary(modello)$adj.r.squared,
    BIC = BIC(modello)
  )
}

knitr::kable(
  bind_rows(
    `Modello 1` = riepilogo_modelli(mod1),
    `Modello 2` = riepilogo_modelli(mod2),
    .id = "Modello"
  ),
  digits = 4,
  caption = "Confronto tra modello 1 e modello 2",
  col.names = c("Modello", "R<sup>2</sup>", "R<sup>2</sup> corretto", "BIC")
)
Confronto tra modello 1 e modello 2
Modello R2 R2 corretto BIC
Modello 1 0.7272 0.7264 35207.48
Modello 2 0.7271 0.7265 35200.24

Come ci aspettavamo, la backward selection ha eliminato il termine non fissato meno significativo, ossia l’età materna. Dalla tabella di confronto a seguito di questa riduzione il BIC del modello si è decisamente ridotto, con dei \(R^2\) quasi invariati, facendoci favorire il secondo modello sul primo.

4.4 Termini quadratici e interazioni

Dai grafici esplorativi non possiamo desumere nessun andamento non lineare particolarmente marcato per le curve LOESS della lunghezza e del cranio nelle zone con più punti (e quindi più affidabili). Invece, nella curva dell’età gestazionale notiamo che la pendenza diminuisce gradualmente, motivo per cui introdurremo una sua potenza quadra.
Inoltre, testeremo l’interazione tra queste tre variabili, molto legate tra loro, aggiungendo anche delle variabili prodotto. I termini quadratici e le interazioni saranno costruiti sulle variabili centrate definite in precedenza. Sarebbe interessante testare anche altre interazioni, ma eviteremo per attenerci al principio di essenzialità imposto per questa analisi.

mod3 <- update(
  mod2,
  . ~ . +
    Gestazione_c + Lunghezza_c + Cranio_c + N.gravidanze + Fumatrici +
    I(Gestazione_c^2) +
    I(Gestazione_c * Cranio_c) +
    I(Gestazione_c * Lunghezza_c) +
    I(Cranio_c * Lunghezza_c)
)

knitr::kable(
  tabella_coefficienti(mod3),
  digits = 4,
  caption = "Coefficienti del modello 3",
  escape = FALSE
)
Coefficienti del modello 3
Termine Stima Errore standard Statistica t p-value VIF (o GVIF corretto)
Gravidanze precedenti 14.1711 4.2950 3.2995 < 0.001 1.0279
Fumatrice -27.7426 27.2571 -1.0178 0.309 1.0071
Età gestazionale 35.5920 4.2607 8.3535 < 0.001 2.1534
Lunghezza 10.5730 0.3045 34.7215 < 0.001 2.1829
Circonferenza cranica 10.8474 0.4287 25.3028 < 0.001 1.6847
Maschio 71.8401 11.1243 6.4579 < 0.001 1.0510
(Età gestazionale)2 -8.7253 1.5088 -5.7829 < 0.001 9.6697
Età gestazionale × Circonferenza cranica 0.9095 0.2082 4.3685 < 0.001 8.3042
Età gestazionale × Lunghezza 0.7163 0.1539 4.6561 < 0.001 14.7836
Circonferenza cranica × Lunghezza -0.0409 0.0147 -2.7760 0.006 7.4398

I coefficienti positivi dei termini di interazione tra circonferenza cranica e lunghezza indicano che l’effetto marginale di ciascuna di queste variabili sul peso aumenta al crescere dell’altra. Il coefficiente negativo associato al termine quadratico dell’età gestazionale suggerisce invece una relazione concava tra peso ed età gestazionale: il peso atteso tende ad aumentare a un ritmo progressivamente minore al crescere dell’età gestazionale.

Osservando la tabella, si notano gli elevati valori di VIF associati ad alcuni termini, in particolare a quelli quadratici, che segnalano la presenza di multicollinearità. Prima di valutare l’eventuale eliminazione di questi termini, esamineremo come cambiano i VIF a seguito di una nuova procedura di selezione backward.

Si osserva inoltre un p-value relativamente elevato per il termine di interazione tra lunghezza e circonferenza cranica. Questo suggerisce che non vi sia evidenza statistica sufficiente a supportare la presenza di un effetto di interazione tra le due variabili

knitr::kable(
  bind_rows(
    `Modello 2` = riepilogo_modelli(mod2),
    `Modello 3` = riepilogo_modelli(mod3),
    .id = "Modello"
  ),
  digits = 4,
  caption = "Confronto tra modello 2 e modello 3",
  col.names = c("Modello", "R<sup>2</sup>", "R<sup>2</sup> corretto", "BIC")
)
Confronto tra modello 2 e modello 3
Modello R2 R2 corretto BIC
Modello 2 0.7271 0.7265 35200.24
Modello 3 0.7345 0.7335 35163.01

Osserviamo che, dopo l’introduzione dei termini quadratici, l’\(R^2\) è aumentato e il BIC è diminuito. Quest’ultimo risultato suggerisce che il miglioramento dell’adattamento del modello compensa ampiamente l’aumento della sua complessità, fornendo un primo riscontro positivo a favore dell’introduzione di tali termini.

4.5 La formula definitiva

Come anticipato, applichiamo nuovamente una backward selection basata sul BIC, mantenendo fissati gli effetti principali coinvolti nelle interazioni che abbiamo deciso di valutare: età gestazionale, lunghezza, circonferenza cranica, fumo materno e sesso del neonato. In questo modo, preserviamo una struttura interpretabile e riduciamo il rischio di imporre al modello andamenti difficili da giustificare. I termini quadratici e le interazioni possono invece essere eliminati se non migliorano sufficientemente il criterio.

mod4 <- step(
  mod3,
  direction = "backward",
  scope = list(
    lower = Peso ~ Gestazione_c + Lunghezza_c + Cranio_c + Fumatrici + Sesso,
    upper = formula(mod3)
  ),
  k = log(nobs(mod3)),
  trace = 0
)

knitr::kable(
  tabella_coefficienti(mod4),
  digits = 4,
  caption = "Coefficienti del modello 4",
  escape = FALSE
)
Coefficienti del modello 4
Termine Stima Errore standard Statistica t p-value VIF (o GVIF corretto)
Gravidanze precedenti 14.0019 4.3003 3.2560 0.001 1.0277
Fumatrice -27.8529 27.2938 -1.0205 0.308 1.0071
Età gestazionale 35.6054 4.2665 8.3454 < 0.001 2.1534
Lunghezza 10.5365 0.3046 34.5874 < 0.001 2.1788
Circonferenza cranica 10.9235 0.4284 25.4981 < 0.001 1.6778
Maschio 71.7710 11.1393 6.4431 < 0.001 1.0510
(Età gestazionale)2 -7.1637 1.4019 -5.1100 < 0.001 8.3256
Età gestazionale × Circonferenza cranica 0.5609 0.1663 3.3732 < 0.001 5.2836
Età gestazionale × Lunghezza 0.5042 0.1337 3.7709 < 0.001 11.1373
knitr::kable(
  bind_rows(
    `Modello 3` = riepilogo_modelli(mod3),
    `Modello 4` = riepilogo_modelli(mod4),
    .id = "Modello"
  ),
  digits = 4,
  caption = "Confronto tra modello 3 e modello 4",
  col.names = c("Modello", "R<sup>2</sup>", "R<sup>2</sup> corretto", "BIC")
)
Confronto tra modello 3 e modello 4
Modello R2 R2 corretto BIC
Modello 3 0.7345 0.7335 35163.01
Modello 4 0.7337 0.7327 35162.92

In questo caso, è stato escluso soltanto il termine di interazione tra circonferenza cranica e lunghezza, il cui p-value (p = 0.006) era elevato.
Tra le specificazioni confrontate, quest’ultimo modello semplificato mediante BIC presenta il valore più basso di questo criterio. Tuttavia, il VIF dell’interazione tra età gestazionale e lunghezza ha un valore superiore alla soglia orientativa di 10. Per questo motivo, il modello non viene ancora assunto come specificazione di riferimento: di seguito valutiamo una versione priva di tale interazione.

if ("I(Gestazione_c * Lunghezza_c)" %in% attr(terms(mod4), "term.labels")) {
  mod5 <- update(mod4, . ~ . - I(Gestazione_c * Lunghezza_c))
} else {
  mod5 <- mod4
}

vif_mod5 <- vif_valori(mod5)

knitr::kable(
  tabella_coefficienti(mod5),
  digits = 4,
  caption = "Coefficienti del modello 5 prima della diagnostica",
  escape = FALSE
)
Coefficienti del modello 5 prima della diagnostica
Termine Stima Errore standard Statistica t p-value VIF (o GVIF corretto)
Gravidanze precedenti 13.6039 4.3104 3.1561 0.002 1.0271
Fumatrice -28.8014 27.3650 -1.0525 0.293 1.0070
Età gestazionale 36.0148 4.2764 8.4218 < 0.001 2.1520
Lunghezza 10.3624 0.3019 34.3224 < 0.001 2.1288
Circonferenza cranica 11.0142 0.4289 25.6824 < 0.001 1.6726
Maschio 73.2152 11.1622 6.5592 < 0.001 1.0498
(Età gestazionale)2 -3.5237 1.0194 -3.4568 < 0.001 4.3785
Età gestazionale × Circonferenza cranica 0.9021 0.1399 6.4489 < 0.001 3.7193

Nel modello selezionato prima della diagnostica, il VIF massimo è pari a 4.378. Tutti i valori risultano inferiori alla soglia orientativa di 5, senza evidenze di una collinearità particolarmente problematica.

confronto_bic <- tibble(
  Modello = c("Modello 1", "Modello 2", "Modello 3", "Modello 4", "Modello 5"),
  BIC = c(BIC(mod1), BIC(mod2), BIC(mod3), BIC(mod4), BIC(mod5)),
  R_quadro_corretto = c(
    summary(mod1)$adj.r.squared,
    summary(mod2)$adj.r.squared,
    summary(mod3)$adj.r.squared,
    summary(mod4)$adj.r.squared,
    summary(mod5)$adj.r.squared
  )
)

knitr::kable(
  confronto_bic,
  digits = 4,
  caption = "Confronto tra i modelli",
  col.names = c("Modello", "BIC", "R<sup>2</sup> corretto")
)
Confronto tra i modelli
Modello BIC R2 corretto
Modello 1 35207.48 0.7264
Modello 2 35200.24 0.7265
Modello 3 35163.01 0.7335
Modello 4 35162.92 0.7327
Modello 5 35169.33 0.7313

La differenza di BIC tra i modelli 4 e 5 è 6.41 a favore del modello 4, che è un valore abbastanza significativo. Nonostante ciò, scegliamo comunque il modello 5 come modello per la nostra analisi, perché bilancia bontà di adattamento e stabilità delle stime, quest’ultima favorita dall’assenza di problematiche rilevanti di multicollinearità.

4.6 Interpretazione dei coefficienti

Prima di passare alla diagnostica del nostro modello, spieghiamo cosa significano i coefficienti dei vari termini a livello pratico.

Per le variabili qualitative maschio e fumatrice, il coefficiente corrisponde al valore di cui varia il peso quando tutte le altre variabili sono fisse e si passa rispettivamente dal sesso femminile a quello maschile o dallo stato di non fumatrice a quello di fumatrice.

Invece, per le variabili quantitative gravidanze precedenti e lunghezza, il coefficiente rappresenta di quanto varia il peso quando queste due variabili variano di una unità mentre tutte le altre rimangono invariate.

Diverso è il caso dell’età gestazionale e della circonferenza cranica, poiché la formula del modello contiene un termine quadratico e un’interazione che coinvolgono queste variabili.
Chiamiamo \(P\) la variabile peso, \(G\) la variabile età gestazionale e \(C\) quella circonferenza cranica. Inoltre, chiamicamo \(\beta_c\) il coefficiente di \(C\), \(\beta_g\) quello di \(G\), \(\beta_{gg}\) quello del quadrato di \(G\) e \(\beta_{cg}\) quello dell’interazione tra \(C\) e \(G\).
Mantenendo costanti tutti gli altri predittori, un incremento unitario di \(C\) determina una variazione attesa del peso pari a: \[ \Delta P = \beta_{cg} G + \beta_c. \] Il caso di \(G\) è diverso, dal momento che il peso dipende dal suo quadrato: il modo in cui il peso varia al variare di \(G\) dipende dal valore iniziale di \(G\) stesso. In termini matematici \[ dP = (2\beta_{gg}G_0 + \beta_{cg}C + \beta_g)dG, \] dove \(dG\) è un piccolo scostamento di \(G\) dal valore \(G_0\) e \(dP\) la corrispondente variazione del peso.

5 Diagnostica del modello

Dopo aver selezionato il modello finale, si procede a valutarne l’adeguatezza attraverso una serie di verifiche diagnostiche. In primo luogo, leverage, residui studentizzati e distanza di Cook vengono utilizzati per individuare eventuali osservazioni anomale o influenti e valutarne l’impatto sulle stime, prima di decidere se mantenere l’attuale campione di riferimento.

Successivamente, si verificano alcune delle principali ipotesi relative agli errori del modello mediante specifici test statistici: Breusch-Pagan per l’omoschedasticità, Durbin-Watson per l’assenza di autocorrelazione e Shapiro-Wilk per la normalità dei residui.

5.1 Analisi del leverage

Il leverage misura quanto una singola osservazione sia distante, nello spazio delle variabili esplicative, dalla configurazione complessiva del campione.

Per individuare valori particolarmente elevati si utilizza come riferimento la soglia convenzionale 2p/n, dove p è il numero di parametri stimati e n la numerosità campionaria.

lev <- hatvalues(mod5)
n <- nobs(mod5)
p <- sum(lev)

soglia <- 2*p/n
lev_elevati <- lev[lev > soglia]

plot(lev, pch=19, col="#4472C4",
     main="Valori di leverage",
     xlab="ID_record (indice del modello)",
     ylab="Leverage")
abline(h=soglia, col="#D9534F", lty=2, lwd=2)

Nel campione si individuano 203 osservazioni che superano la soglia convenzionale. Un leverage elevato non implica necessariamente che un’osservazione sia influente: segnala soltanto una configurazione insolita delle variabili esplicative.

lev <- hatvalues(mod5)
n <- nobs(mod5)
p <- sum(lev)

soglia <- 2 * p / n

# Indici osservazioni con leverage più elevato
indici_top_lev <- order(lev, decreasing = TRUE)[
  seq_len(min(3, length(lev)))
]

tabella_leverage <- data.frame(
  ID_record = dati_modello$ID_record[indici_top_lev],
  ID_originale = dati_modello$ID_originale[indici_top_lev],
  Leverage = lev[indici_top_lev]
)

knitr::kable(
  tabella_leverage,
  digits = 4,
  caption = "Le tre osservazioni con leverage più elevato",
  col.names = c("Indice nel modello", "ID originale", "Leverage")
)
Le tre osservazioni con leverage più elevato
Indice nel modello ID originale Leverage
310 310 310 0.3655
1427 1427 1429 0.1643
1778 1778 1780 0.1314

La tabella riporta a titolo di esempio le tre osservazioni caratterizzate dai valori di leverage più elevati. Per valutare l’effettiva influenza di queste osservazioni, è necessario considerare anche la distanza di Cook.

5.2 Individuazione degli outlier

Per individuare osservazioni caratterizzate da valori della risposta particolarmente distanti da quelli previsti dal modello, si considerano i residui studentizzati. Questi misurano la distanza tra il peso effettivamente osservato e quello previsto dal modello, espressa in unità di deviazione standard. A differenza dei residui ordinari, tengono conto anche della variabilità della stima e della posizione dell’osservazione rispetto alle altre.

Come riferimento, si considerano i valori −2 e 2: osservazioni con residui studentizzati esterni a questo intervallo presentano uno scostamento relativamente elevato rispetto alle previsioni del modello e meritano pertanto un approfondimento.

res_stud <- rstudent(mod5)

plot(res_stud, pch=19, col="#4472C4",
     main="Residui studentizzati",
     xlab="ID_record (indice del modello)",
     ylab="Residuo studentizzato")
abline(h=c(-2,2), col="#D9534F", lty=2, lwd=2)

# Test bilaterale sui residui
p_non_corretto <- 2 * pt(
  -abs(res_stud),
  df = df.residual(mod5) - 1
)
p_bonferroni <- p.adjust(p_non_corretto, method = "bonferroni")

Il grafico permette di individuare le osservazioni caratterizzate da residui studentizzati particolarmente elevati. Per valutare la significatività statistica degli scostamenti, si effettuano test t bilaterali sui residui studentizzati, verificando per ciascuna osservazione l’ipotesi nulla di assenza di uno scostamento anomalo rispetto al modello. Ai p-value così ottenuti si applica la correzione di Bonferroni, che tiene conto dei confronti multipli e riduce il rischio di individuare falsi positivi.

indici_outlier <- which(p_bonferroni < 0.05)

if (length(indici_outlier) == 0) {
  cat("Il test di Bonferroni non individua residui studentizzati significativi al livello 0,05.\n")
} else {
  tabella_outlier_bonferroni <- data.frame(
    ID_originale = dati_modello$ID_originale[indici_outlier],
    Residuo_studentizzato = res_stud[indici_outlier],
    p_Bonferroni = formatta_p(p_bonferroni[indici_outlier])
  )

  knitr::kable(
    tabella_outlier_bonferroni,
    digits = 4,
    caption = "Osservazioni individuate dal test sui residui studentizzati con correzione di Bonferroni",
    col.names = c("ID originale", "Residuo studentizzato", "p Bonferroni")
  )
}
Osservazioni individuate dal test sui residui studentizzati con correzione di Bonferroni
ID originale Residuo studentizzato p Bonferroni
155 155 5.1953 < 0.001
1305 1306 4.7799 0.005
1549 1551 10.3048 < 0.001

La procedura individua 3 osservazioni con residui studentizzati significativamente elevati anche dopo la correzione di Bonferroni (p-value aggiustati inferiori a 0,05). In particolare, il test individua un record che era già emerso analizzando gli outlier nella Sezione 2, ossia il 1551, che presenta il residuo studentizzato più alto. Nella prossima sottosezione potremo analizzare quanto questa osservazione impatta sul nostro modello e decidere se eliminarla o meno.

5.3 Distanza di Cook

La distanza di Cook misura l’influenza esercitata da ciascuna osservazione sulle stime del modello, combinando le informazioni relative ai residui e al leverage. A titolo indicativo, valori superiori a 0,5 possono segnalare un’influenza rilevante, mentre valori superiori a 1 sono generalmente associati a un’influenza particolarmente elevata.

plot(mod5, which = 5,
     caption = "",
     sub.caption = "",
     main = "Residui vs Leverage",
     labels.id = dati_modello$ID_originale)

Il grafico Residui vs Leverage mostra congiuntamente leverage e residui studentizzati. Le curve tratteggiate della distanza di Cook aiutano a riconoscere i casi che possono incidere maggiormente sulle stime.

soglia_cook <- 0.5
cook <- cooks.distance(mod5)

plot(cook, pch=19, col="#4472C4",
     main="Distanza di Cook",
     xlab="Indice nel campione preliminare",
     ylab="Distanza di Cook")
abline(h = soglia_cook, col = "#D9534F", lty = 2, lwd = 2)

# osservazioni con la distanza di Cook più elevata
indici_top_cook <- order(cook, decreasing = TRUE)[seq_len(min(5, length(cook)))]
text(
  x = indici_top_cook,
  y = cook[indici_top_cook],
  labels = dati_modello$ID_originale[indici_top_cook],
  pos = 3, cex = 0.75, col = "#17324d"
)

tabella_cook <- tibble(
  ID_record = dati_modello$ID_record,
  ID_originale = dati_modello$ID_originale,
  Distanza_Cook = as.numeric(cook),
  Leverage = as.numeric(hatvalues(mod5)),
  Residuo_studentizzato = as.numeric(rstudent(mod5))
) %>%
  arrange(desc(Distanza_Cook)) %>%
  slice_head(n = 3) %>%
  mutate(across(c(Distanza_Cook, Leverage, Residuo_studentizzato), ~ round(.x, 4)))

id_cook_max_leverage <- tabella_cook$ID_originale[which.max(tabella_cook$Leverage)]
id_cook_max_residuo <- tabella_cook$ID_originale[which.max(abs(tabella_cook$Residuo_studentizzato))]

knitr::kable(
  tabella_cook,
  caption = paste(nrow(tabella_cook), "osservazioni con la maggiore distanza di Cook"),
  col.names = c("ID record", "ID originale", "Distanza di Cook", "Leverage",
                "Residuo studentizzato")
)
3 osservazioni con la maggiore distanza di Cook
ID record ID originale Distanza di Cook Leverage Residuo studentizzato
1549 1551 0.6006 0.0504 10.3048
1778 1780 0.0527 0.1314 1.7714
310 310 0.0370 0.3655 -0.7605
indice_record_1551 <- match(1551, dati_modello$ID_originale)

distanza_cook_1551 <- if (!is.na(indice_record_1551)) {
  as.numeric(cook[indice_record_1551])
} else {
  NA_real_
}

if (!is.na(indice_record_1551)) {
  diagnostica_record_1551 <- tibble(
    ID_originale = 1551,
    Residuo_studentizzato = res_stud[indice_record_1551],
    Leverage = lev[indice_record_1551],
    Distanza_Cook = cook[indice_record_1551],
    Soglia_Cook = soglia_cook,
    Supera_soglia = cook[indice_record_1551] > soglia_cook
  )
} else {
  cat("Il record 1551 non rientra nel campione di regressione per la presenza di valori mancanti in uno dei predittori utilizzati.")
}

Il record 1551, già segnalato come sospetto, presenta una distanza di Cook superiore alla soglia di 0,5 adottata come riferimento. Il valore segnala un’influenza rilevante sulle stime del modello e motiva ulteriormente l’esclusione del record dal nostro modello.

5.4 Esclusione del record 1551 e ristima del modello

Il record 1551 viene eliminato definitivamente dal campione utilizzato per la regressione. La specificazione del modello individuata dalla procedura di selezione viene invece mantenuta fissa e ristimata sul campione risultante. In questo modo è possibile valutare l’effetto dell’esclusione sulle stime dei coefficienti e sulla diagnostica.

Di seguito riportiamo i coefficienti ricalcolati con il nuovo modello, un confronto con il modello precedente in base al \(R^2\) corretto, uno con i modelli ottenuti applicando le vecchie formule della sezione 4 al campione aggiornato e le nuove distanze di Cook più elevate, per assicurarci non ci siano altri dati anomali.

formula_mod5 <- formula(mod5)
dati_mod5 <- dati_modello

dati_modello <- dati_mod5 %>%
    filter(ID_originale != 1551) %>%
    mutate(ID_record = row_number()) %>%
    relocate(ID_record, ID_originale)

# Ricalcoliamo le centrature
centri <- c(
  Gestazione = mean(dati_modello$Gestazione),
  Lunghezza = mean(dati_modello$Lunghezza),
  Cranio = mean(dati_modello$Cranio)
)

dati_modello <- dati_modello %>%
  mutate(
    Gestazione_c = Gestazione - centri[["Gestazione"]],
    Lunghezza_c = Lunghezza - centri[["Lunghezza"]],
    Cranio_c = Cranio - centri[["Cranio"]]
  )

# Ristima del modello sul campione aggiornato
modello_finale <- lm(formula_mod5, data = dati_modello)
vif_modello_finale <- vif_valori(modello_finale)

# Nuova diagnostica
lev <- hatvalues(modello_finale)
res_stud <- rstudent(modello_finale)
cook <- cooks.distance(modello_finale)

max_cook_finale <- max(cook, na.rm = TRUE)
id_cook_max_finale <- dati_modello$ID_originale[which.max(cook)]

knitr::kable(
  tabella_coefficienti(modello_finale),
  digits = 4,
  caption = "Coefficienti del modello ristimato",
  escape = FALSE
)
Coefficienti del modello ristimato
Termine Stima Errore standard Statistica t p-value VIF (o GVIF corretto)
Gravidanze precedenti 14.3075 4.2227 3.3883 < 0.001 1.0273
Fumatrice -25.4167 26.8065 -0.9482 0.343 1.0071
Età gestazionale 33.9147 4.1940 8.0864 < 0.001 2.1572
Lunghezza 11.0366 0.3029 36.4388 < 0.001 2.1913
Circonferenza cranica 10.4058 0.4242 24.5292 < 0.001 1.7028
Maschio 72.9420 10.9336 6.6714 < 0.001 1.0494
(Età gestazionale)2 -3.3646 0.9986 -3.3694 < 0.001 4.3802
Età gestazionale × Circonferenza cranica 0.9181 0.1370 6.7003 < 0.001 3.7180
knitr::kable(
  tibble(
    Modello = c("Vecchio modello 5", "Modello finale"),
    Osservazioni = c(nobs(mod5), nobs(modello_finale)), 
    R_quadro_corretto = c(summary(mod5)$adj.r.squared, summary(modello_finale)$adj.r.squared)
  ),
  digits = 4,
  caption = "Confronto con il modello precedente",
  col.names = c("Modello", "N", "R<sup>2</sup> corretto")
)
Confronto con il modello precedente
Modello N R2 corretto
Vecchio modello 5 2498 0.7313
Modello finale 2497 0.7419
new_mod1 <- update(mod1, data = dati_modello)
new_mod2 <- update(mod2, data = dati_modello)
new_mod3 <- update(mod3, data = dati_modello)
new_mod4 <- update(mod4, data = dati_modello)

nuovo_confronto <- tibble(
  Modello = c("Nuovo modello 1", "Nuovo modello 2", "Nuovo modello 3", 
              "Nuovo modello 4", "Modello finale"),
  BIC = c(BIC(new_mod1), BIC(new_mod2), BIC(new_mod3), 
          BIC(new_mod4), BIC(modello_finale)),
  R_quadro_corretto = c(
    summary(new_mod1)$adj.r.squared,
    summary(new_mod2)$adj.r.squared,
    summary(new_mod3)$adj.r.squared,
    summary(new_mod4)$adj.r.squared,
    summary(modello_finale)$adj.r.squared
  ),
  VIF_massimo = c(max(vif_valori(new_mod1)$VIF), max(vif_valori(new_mod2)$VIF),
                  max(vif_valori(new_mod3)$VIF), max(vif_valori(new_mod4)$VIF),
                  max(vif_valori(modello_finale)$VIF))
)

knitr::kable(
  nuovo_confronto,
  digits = 4,
  caption = "Confronto tra formule sul nuovo campione",
  col.names = c("Modello", "BIC", "R<sup>2</sup> corretto", "VIF massimo")
)
Confronto tra formule sul nuovo campione
Modello BIC R2 corretto VIF massimo
Nuovo modello 1 35095.73 0.7366 2.1377
Nuovo modello 2 35088.20 0.7367 2.1377
Nuovo modello 3 35056.54 0.7428 15.7813
Nuovo modello 4 35049.64 0.7428 11.1948
Modello finale 35051.92 0.7419 4.3802
tabella_cook_finale <- tibble(
  ID_originale = dati_modello$ID_originale,
  Distanza_Cook = as.numeric(cook)
) %>%
  arrange(desc(Distanza_Cook)) %>%
  slice_head(n = 3) %>%
  mutate(Distanza_Cook = round(Distanza_Cook, 5))

knitr::kable(
  tabella_cook_finale,
  caption = "Tre maggiori distanze di Cook nel modello finale",
  col.names = c("ID originale", "Distanza di Cook")
)
Tre maggiori distanze di Cook nel modello finale
ID originale Distanza di Cook
1780 0.05086
155 0.02771
1920 0.02380

Nella tabella dei coefficienti, a parte il termine Fumatrice tutti gli altri presentano un p-value inferiore a 0.001 e tutti i VIF hanno valori inferiori a 5, perciò non emergono problemi di poca significatività o multicollinearità su cui internvenire.
Eliminare il record 1551 ha fatto aumentare la varianza spiegata sul di circa un punto percentuale, ossia la stessa formula presenta un adattamento leggermente migliore al nuovo campione rispetto a quello precedente. Inoltre, applicando le vecchie formule al nuovo campione concludiamo che quella del vecchio modello 5 rimane la migliore tra quelle proposte, per gli stessi motivi già esposti in precedenza. Infine, nessuna osservazione nel nostro nuovo campione ha una distanza di Cook preoccupante, perciò possiamo deisgnare il nostro nuovo modello come definitivo.

5.5 Test di Breusch-Pagan: omoschedasticità

L’ipotesi di omoschedasticità richiede che la varianza degli errori sia costante al variare delle variabili esplicative. Prima del test osserviamo i grafici che aiutano a valutare la forma funzionale e la dispersione dei residui.

plot(modello_finale, which=1,
     sub.caption = "",
     labels.id = dati_modello$ID_originale)

plot(modello_finale, which=3,
     sub.caption = "",
     labels.id = dati_modello$ID_originale)

Nel grafico Residuals vs Fitted si cercano eventuali andamenti sistematici, che possono suggerire una forma funzionale non adeguata. Il grafico Scale-Location consente invece di valutare se la dispersione dei residui cambia al variare dei valori stimati: un andamento crescente o decrescente può essere indicativo di eteroschedasticità.

Il controllo grafico viene affiancato dal test di Breusch-Pagan, che consente di verificare formalmente l’ipotesi di omoschedasticità degli errori, ossia la costanza della loro varianza al variare dei valori delle variabili esplicative. L’ipotesi nulla del test è quella di omoschedasticità, mentre l’ipotesi alternativa è la presenza di eteroschedasticità. Sotto l’ipotesi nulla, la statistica test segue approssimativamente una distribuzione chi-quadrato, con gradi di libertà pari al numero di variabili esplicative considerate nella regressione ausiliaria.

library(lmtest)

bp <- bptest(modello_finale)

Il test restituisce una statistica pari a BP = 7.094, con 8 gradi di libertà e un p-value pari a 0.5265. Non si dispone, dunque, di evidenze statistiche sufficienti per rifiutare l’ipotesi nulla di omoschedasticità.

5.6 Test di Durbin-Watson: autocorrelazione

L’indipendenza degli errori viene esaminata attraverso il test di Durbin-Watson, che verifica la presenza di autocorrelazione di primo ordine tra i residui. Il test si basa sulle differenze tra residui consecutivi nell’ordine delle osservazioni: se residui vicini tendono ad assumere valori simili, si manifesta una possibile autocorrelazione positiva, mentre un’alternanza sistematica di valori positivi e negativi può indicare autocorrelazione negativa.

La statistica del test assume valori compresi tra 0 e 4. Un valore prossimo a 2 è generalmente compatibile con l’assenza di autocorrelazione di primo ordine, mentre valori inferiori a 2 suggeriscono autocorrelazione positiva e valori superiori a 2 autocorrelazione negativa.

dw <- dwtest(modello_finale)

La statistica di Durbin-Watson è pari a DW = 1.9634, con un p-value di 0.1804.

Anche in questo caso, non disponiamo di evidenze statistiche sufficienti per rifiutare l’ipotesi nulla di assenza di autocorrelazione positiva di primo ordine. Va tuttavia precisato che il test è particolarmente appropriato quando le osservazioni presentano un ordinamento temporale o comunque significativo. Se l’ordine delle osservazioni nel campione è arbitrario, come nel nostro caso, la sua interpretazione risulta limitata.

5.7 Test di Shapiro-Wilk: normalità

Infine, si verifica l’ipotesi di normalità dei residui mediante il test di Shapiro-Wilk. Il test confronta la distribuzione dei residui osservati con quella attesa nel caso in cui essi provengano da una distribuzione normale. L’ipotesi nulla è pertanto che i residui siano normalmente distribuiti, mentre l’ipotesi alternativa è che si discostino da tale distribuzione. La statistica W, compresa tra 0 e 1, misura il grado di compatibilità dei dati con la normalità: valori prossimi a 1 indicano una maggiore compatibilità, mentre valori più bassi suggeriscono scostamenti più pronunciati.

sh <- shapiro.test(residuals(modello_finale))

Il test restituisce una statistica pari a W = 0.9885 e un p-value pari a 2.6 × 10-13. Sebbene il valore di W suggerisca una buona compatibilità dei residui con la distribuzione normale, il p-value molto piccolo porta a rifiutare l’ipotesi nulla di normalità. Questa apparente discrepanza è riconducibile anche alla numerosità del campione: quando il numero di osservazioni è elevato, il test può rilevare come statisticamente significativi anche scostamenti relativamente contenuti dalla normalità. Il rifiuto dell’ipotesi nulla non implica quindi necessariamente che la deviazione dalla normalità sia rilevante dal punto di vista pratico.

Il risultato del test deve essere interpretato congiuntamente all’analisi grafica, in quanto la significatività statistica del test non fornisce da sola una misura dell’entità dello scostamento dalla distribuzione normale. Per questo motivo affianchiamo al test il Q-Q plot, che confronta i quantili empirici dei residui con quelli di una distribuzione normale, e il grafico di densità.

plot(modello_finale, which=2,
     sub.caption = "",
     labels.id = dati_modello$ID_originale)

plot(density(residuals(modello_finale)),
     main="Distribuzione dei residui",
     xlab="Residui",
     ylab="Densità",
     col="#4472C4",
     lwd=2)

Nel Q-Q plot, i punti seguono approssimativamente la retta teorica nella parte centrale della distribuzione, mentre si osservano deviazioni più marcate in corrispondenza di entrambe le code, particolarmente evidenti in quella superiore. Questo andamento suggerisce la presenza di code più pesanti rispetto a quelle attese sotto l’ipotesi di normalità.

La distribuzione dei residui presenta invece una forma unimodale e approssimativamente a campana, con una concentrazione delle osservazioni intorno allo zero. Si osservano tuttavia code estese e una leggera asimmetria positiva, coerentemente con le deviazioni evidenziate dal Q-Q plot.

Nel complesso, la distribuzione dei residui risulta sufficientemente vicina a quella normale. Inoltre, sebbene le deviazioni nelle code possano influenzare le osservazioni più estreme, le verifiche sulla distanza di Cook non hanno evidenziato ulteriori osservazioni eccessivamente influenti nel modello definitivo. Si ritiene pertanto ragionevole mantenere il modello nella sua forma attuale, tenendo presente questo limite nell’interpretazione dei risultati.

6 Esempio di previsione applicata

Il brief richiede il peso previsto per una neonata la cui madre è alla terza gravidanza e partorisce alla 39ª settimana. Quindi il valore della variabile corrispondente alle gravidanze precedenti dovrà essere fissato a 2.

Non sono specificati età materna, abitudine al fumo materno o misure neonatali. Per illustrare il procedimento fissiamo tali caratteristiche a valori espliciti: mediana per le variabili numeriche e categorie di riferimento per quelle qualitative.

profilo <- tibble(
  Anni.madre = median(dati_modello$Anni.madre),
  N.gravidanze = 2,
  Fumatrici = factor(
    "Non fumatrice", levels = levels(dati_modello$Fumatrici)
  ),
  Gestazione = 39,
  Lunghezza = median(dati_modello$Lunghezza),
  Cranio = median(dati_modello$Cranio),
  Sesso = factor(
    "Femmina", levels = levels(dati_modello$Sesso)
  )
) %>%
  centra_predittori()

previsione_media <- predict(
  modello_finale, newdata = profilo,
  interval = "confidence", level = 0.95
)

previsione_individuale <- predict(
  modello_finale, newdata = profilo,
  interval = "prediction", level = 0.95
)

tabella_previsione <- tibble(
  Previsione = c(
    "Peso atteso per profili simili",
    "Peso previsto per una singola neonata"
  ),
  Stima = c(
    previsione_media[1, "fit"],
    previsione_individuale[1, "fit"]
  ),
  Limite_inferiore = c(
    previsione_media[1, "lwr"],
    previsione_individuale[1, "lwr"]
  ),
  Limite_superiore = c(
    previsione_media[1, "upr"],
    previsione_individuale[1, "upr"]
  )
) %>%
  mutate(across(where(is.numeric), ~ round(.x, 0)))

knitr::kable(
  tabella_previsione,
  caption = "Previsione illustrativa e intervalli al 95% (grammi)",
  col.names = c("Previsione", "Stima", "Limite inferiore", "Limite superiore")
)
Previsione illustrativa e intervalli al 95% (grammi)
Previsione Stima Limite inferiore Limite superiore
Peso atteso per profili simili 3320 3302 3338
Peso previsto per una singola neonata 3320 2797 3843

È importante distinguere tra intervallo di confidenza e intervallo di previsione. Il primo quantifica l’incertezza associata alla stima del peso medio atteso per neonati con caratteristiche analoghe a quelle considerate. Non descrive quindi la variabilità dei pesi dei singoli individui, ma soltanto l’incertezza con cui viene stimata la media della popolazione di riferimento.

L’intervallo di previsione, invece, riguarda il peso di un singolo neonato con le caratteristiche specificate. Oltre all’incertezza nella stima della media, tiene conto anche della variabilità individuale dei pesi intorno a essa, che non può essere spiegata dalle variabili incluse nel modello. Per questo motivo risulta necessariamente più ampio dell’intervallo di confidenza.

Poiché in questa sezione l’obiettivo è ottenere una previsione del peso alla nascita di un singolo neonato, l’intervallo di previsione rappresenta il riferimento più appropriato.

7 Grafici delle relazioni principali

Costruiamo una griglia di valori per ciascuna delle variabili indipendenti di interesse (età gestazionale, lunghezza e circonferenza cranica) e utilizziamo il modello per ottenere il corrispondente peso previsto, distinguendo le previsioni in base allo stato di fumo materno e al sesso del neonato. Le altre variabili considerate nel modello vengono mantenute costanti.

Le curve descrivono quindi il peso medio previsto per specifici profili, e non una media marginale sull’intera popolazione. Questa scelta consente di esaminare l’associazione tra il peso previsto e ciascuna delle variabili indipendenti considerate, evitando che le differenze tra i profili dipendano anche da variazioni degli altri predittori. Le bande rappresentano intervalli di confidenza al 95%.

Nel primo grafico, il numero di gravidanze precedenti, la lunghezza e la circonferenza cranica vengono fissati alle rispettive mediane del campione utilizzato per la stima definitiva.

# Definiamo l’intervallo di età gestazionale comune ai due sessi
limiti_gestazione <- dati_modello %>%
  group_by(Sesso) %>%
  summarise(
    minimo = min(Gestazione, na.rm = TRUE),
    massimo = max(Gestazione, na.rm = TRUE),
    .groups = "drop"
  )

gest_min <- max(limiti_gestazione$minimo)
gest_max <- min(limiti_gestazione$massimo)


# Costruiamo la griglia delle predizioni
griglia <- tidyr::expand_grid(
  Gestazione = seq(gest_min, gest_max, length.out = 80),
  Fumatrici = factor(
    c("Non fumatrice", "Fumatrice"),
    levels = levels(dati_modello$Fumatrici)
  ),
  Sesso = factor(
    c("Femmina", "Maschio"),
    levels = levels(dati_modello$Sesso)
  )
) %>%
  mutate(
    N.gravidanze = median(dati_modello$N.gravidanze),
    Lunghezza = median(dati_modello$Lunghezza),
    Cranio = median(dati_modello$Cranio)
  ) %>%
  centra_predittori()


predizioni <- predict(
  modello_finale, newdata = griglia,
  interval = "confidence", level = 0.95
) %>%
  as_tibble() %>%
  bind_cols(
    griglia %>% select(Gestazione, Fumatrici, Sesso)
  )


ggplot(
  predizioni,
  aes(
    x = Gestazione,
    y = fit,
    color = Fumatrici,
    fill = Fumatrici
  )
) +
  geom_ribbon(
    aes(ymin = lwr, ymax = upr),
    alpha = 0.16,
    color = NA
  ) +
  geom_line(linewidth = 1) +
  facet_wrap(~ Sesso, nrow = 1) +
  scale_color_manual(
    values = c(
      "Non fumatrice" = "#477c8a",
      "Fumatrice" = "#bd6b42"
    )
  ) +
  scale_fill_manual(
    values = c(
      "Non fumatrice" = "#477c8a",
      "Fumatrice" = "#bd6b42"
    )
  ) +
  scale_x_continuous(
    breaks = scales::breaks_width(2)
  ) +
  scale_y_continuous(
    breaks = scales::breaks_width(200)
  ) +
  labs(
    title = "peso previsto in funzione dell’età gestazionale",
    subtitle = "Confronto per sesso e stato di fumo materno",
    x = "Età gestazionale (settimane)",
    y = "Peso medio previsto (g)",
    color = "Fumo materno",
    fill = "Fumo materno"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 13),
    plot.subtitle = element_text(size = 10),
    strip.text = element_text(face = "bold", size = 11),
    axis.title = element_text(size = 10),
    legend.position = "bottom",
    panel.spacing = unit(1.5, "lines")
  )

In questo primo grafico, il modello restituisce una curva con un andamento crescente, ma con un incremento che tende progressivamente a ridursi nelle settimane più avanzate.
Le bande di confidenza si allargano sensibilmente alle età gestazionali più basse e si restringono nella parte centrale e finale dell’intervallo. Questo indica una maggiore incertezza nella stima del peso medio previsto alle età gestazionali più basse, potenzialmente dovuta anche alla minore numerosità delle osservazioni disponibili in tale regione.

Nel secondo e nel terzo grafico, l’età gestazionale è stata fissata a 40 settimane, un valore comunemente assunto come riferimento per una gravidanza a termine.

limiti_lunghezza <- dati_modello %>%
  group_by(Sesso) %>%
  summarise(
    minimo = min(Lunghezza, na.rm = TRUE),
    massimo = max(Lunghezza, na.rm = TRUE),
    .groups = "drop"
  )

lun_min <- max(limiti_lunghezza$minimo)
lun_max <- min(limiti_lunghezza$massimo)


griglia <- tidyr::expand_grid(
  Lunghezza = seq(lun_min, lun_max, length.out = 80),
  Fumatrici = factor(
    c("Non fumatrice", "Fumatrice"),
    levels = levels(dati_modello$Fumatrici)
  ),
  Sesso = factor(
    c("Femmina", "Maschio"),
    levels = levels(dati_modello$Sesso)
  )
) %>%
  mutate(
    Anni.madre = median(dati_modello$Anni.madre),
    N.gravidanze = median(dati_modello$N.gravidanze),
    Gestazione = 40,
    Cranio = median(dati_modello$Cranio)
  ) %>%
  centra_predittori()


predizioni <- predict(
  modello_finale, newdata = griglia,
  interval = "confidence", level = 0.95
) %>%
  as_tibble() %>%
  bind_cols(
    griglia %>% select(Lunghezza, Fumatrici, Sesso)
  )


ggplot(
  predizioni,
  aes(
    x = Lunghezza,
    y = fit,
    color = Fumatrici,
    fill = Fumatrici
  )
) +
  geom_ribbon(
    aes(ymin = lwr, ymax = upr),
    alpha = 0.16,
    color = NA
  ) +
  geom_line(linewidth = 1) +
  facet_wrap(~ Sesso, nrow = 1) +
  scale_color_manual(
    values = c(
      "Non fumatrice" = "#477c8a",
      "Fumatrice" = "#bd6b42"
    )
  ) +
  scale_fill_manual(
    values = c(
      "Non fumatrice" = "#477c8a",
      "Fumatrice" = "#bd6b42"
    )
  ) +
  scale_x_continuous(
    breaks = scales::breaks_width(20)
  ) +
  scale_y_continuous(
    breaks = scales::breaks_width(200)
  ) +
  labs(
    title = "peso previsto in funzione della lunghezza",
    subtitle = "Confronto per sesso e stato di fumo materno",
    x = "Lunghezza (mm)",
    y = "Peso medio previsto (g)",
    color = "Fumo materno",
    fill = "Fumo materno"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 13),
    plot.subtitle = element_text(size = 10),
    strip.text = element_text(face = "bold", size = 11),
    axis.title = element_text(size = 10),
    legend.position = "bottom",
    panel.spacing = unit(1.5, "lines")
  )

limiti_cranio <- dati_modello %>%
  group_by(Sesso) %>%
  summarise(
    minimo = min(Cranio, na.rm = TRUE),
    massimo = max(Cranio, na.rm = TRUE),
    .groups = "drop"
  )

cran_min <- max(limiti_cranio$minimo)
cran_max <- min(limiti_cranio$massimo)


griglia <- tidyr::expand_grid(
  Cranio = seq(cran_min, cran_max, length.out = 80),
  Fumatrici = factor(
    c("Non fumatrice", "Fumatrice"),
    levels = levels(dati_modello$Fumatrici)
  ),
  Sesso = factor(
    c("Femmina", "Maschio"),
    levels = levels(dati_modello$Sesso)
  )
) %>%
  mutate(
    Anni.madre = median(dati_modello$Anni.madre),
    N.gravidanze = median(dati_modello$N.gravidanze),
    Gestazione = 40,
    Lunghezza = median(dati_modello$Lunghezza)
  ) %>%
  centra_predittori()


predizioni <- predict(
  modello_finale, newdata = griglia,
  interval = "confidence", level = 0.95
) %>%
  as_tibble() %>%
  bind_cols(
    griglia %>% select(Cranio, Fumatrici, Sesso)
  )


ggplot(
  predizioni,
  aes(
    x = Cranio,
    y = fit,
    color = Fumatrici,
    fill = Fumatrici
  )
) +
  geom_ribbon(
    aes(ymin = lwr, ymax = upr),
    alpha = 0.16,
    color = NA
  ) +
  geom_line(linewidth = 1) +
  facet_wrap(~ Sesso, nrow = 1) +
  scale_color_manual(
    values = c(
      "Non fumatrice" = "#477c8a",
      "Fumatrice" = "#bd6b42"
    )
  ) +
  scale_fill_manual(
    values = c(
      "Non fumatrice" = "#477c8a",
      "Fumatrice" = "#bd6b42"
    )
  ) +
  scale_x_continuous(
    breaks = scales::breaks_width(20)
  ) +
  scale_y_continuous(
    breaks = scales::breaks_width(200)
  ) +
  labs(
    title = "Peso previsto in funzione della circonferenza cranica",
    subtitle = "Confronto per sesso e stato di fumo materno",
    x = "Circonferenza cranica",
    y = "Peso medio previsto (g)",
    color = "Fumo materno",
    fill = "Fumo materno"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 13),
    plot.subtitle = element_text(size = 10),
    strip.text = element_text(face = "bold", size = 11),
    axis.title = element_text(size = 10),
    legend.position = "bottom",
    panel.spacing = unit(1.5, "lines")
  )

In tutti e tre i grafici si osserva un peso previsto leggermente inferiore per i neonati di madri fumatrici, mentre il sesso maschile risulta associato a un peso previsto maggiore rispetto a quello femminile.

Le distanze tra le curve possono essere interpretate quantitativamente attraverso i coefficienti del modello di riferimento. In particolare, a parità degli altri predittori, il fumo materno è associato a una riduzione del peso previsto di circa 25 grammi, ma tale differenza non risulta statisticamente significativa (p = 0.343). Il sesso maschile è invece associato a un peso previsto superiore di circa 73 grammi rispetto a quello femminile, con un’associazione statisticamente significativa (p < 0.001).

8 Conclusioni

Il modello finale ha mantenuto le variabili gravidanze precedenti, fumo materno, età gestazionale, lunghezza, circonferenza cranica e sesso. È importante precisare, tuttavia, che non tutte queste variabili hanno mostrato un effetto statisticamente significativo: in particolare, il coefficiente associato al fumo materno presenta un p-value relativamente elevato.

L’unica variabile esclusa dal modello attraverso il processo di selezione basato sul BIC è stata l’età materna. Il suo contributo al miglioramento dell’adattamento non risultava infatti sufficiente a compensare la penalizzazione associata all’introduzione di un ulteriore parametro. Questo non significa necessariamente che l’età materna non abbia alcuna influenza sul peso dei neonati: il grafico esplorativo presentato nella sottosezione 4.2 suggerisce infatti una possibile relazione non lineare, con valori del peso tendenzialmente inferiori alle età materne più giovani e più avanzate. Un andamento di questo tipo è stato riscontrato anche in studi condotti su ampie popolazioni, che descrivono valori generalmente più favorevoli nelle fasce centrali dell’età riproduttiva (Delbaere et al., 2015; Shin et al., 2012).

Per quanto riguarda il fumo materno, sebbene la variabile sia stata mantenuta nel modello, il relativo coefficiente non risulta statisticamente significativo. Anche questo risultato non deve essere interpretato come prova dell’assenza di un effetto del fumo: numerosi studi, comprese revisioni sistematiche e meta-analisi, hanno documentato un’associazione tra il fumo durante la gravidanza e una maggiore probabilità di basso peso alla nascita (Di et al., 2022; Abraham et al., 2017). La mancata significatività nel nostro campione potrebbe dipendere, tra gli altri fattori, dalla numerosità relativamente limitata delle madri fumatrici e dalla conseguente ridotta potenza statistica, oltre che dalla variabilità individuale e dalla presenza degli altri fattori considerati nel modello.

Mentre nel modello adottato l’associazione tra peso alla nascita e numero di gravidanze precedenti è rappresentata attraverso un effetto lineare, la letteratura suggerisce che l’incremento del peso medio possa essere particolarmente evidente nel passaggio dal primo al secondo figlio, per poi attenuarsi nelle nascite successive (Shin et al., 2012; MacLeod e Kiely, 1988). Il modello utilizzato non consente quindi di rappresentare eventuali differenze nell’entità di tale incremento, ma descrive un’associazione media, assumendo una variazione costante del peso atteso per ogni gravidanza precedente.

Per l’età gestazionale è stato introdotto un termine quadratico, che consente di descrivere un andamento curvilineo, ma rappresenta comunque una semplificazione della relazione reale. In letteratura sono stati proposti approcci più flessibili, come i polinomi frazionari e le funzioni spline, che permettono di rappresentare andamenti non lineari più articolati (Villandré et al., 2011). L’impiego di queste metodologie potrebbe quindi costituire un possibile approfondimento, al fine di verificare se una diversa specificazione della relazione con l’età gestazionale consenta di migliorare l’adattamento e la capacità predittiva del modello.

Un altro limite che è opportuno considerare nell’interpretazione dei risultati è la deviazione dalla normalità osservata nella distribuzione dei residui, che rappresenta un aspetto da tenere presente per quanto riguarda l’affidabilità dell’inferenza statistica.

Infine, il modello è stato costruito e valutato sul medesimo campione, proveniente da tre strutture ospedaliere. Sarebbe pertanto opportuno verificarne le capacità predittive su dati indipendenti, così da valutarne la generalizzabilità e la stabilità in contesti differenti.

9 Riferimenti bibliografici

  • Abraham, M., Alramadhani, R., Iniguez, C., et al. (2017). Maternal Active Smoking During Pregnancy and Low Birth Weight in the Americas: A Systematic Review and Meta-analysis. Nicotine & Tobacco Research, 19(5), 497–505. https://doi.org/10.1093/ntr/ntw228

  • Delbaere, I., Verstraelen, H., Goetgeluk, S., et al. (2015). The association of maternal age with birthweight and gestational age: a cross-cohort comparison. European Journal of Public Health.

  • Di, H.-K., Gan, Y., Lu, K., et al. (2022). Maternal smoking status during pregnancy and low birth weight in offspring: systematic review and meta-analysis of 55 cohort studies published from 1986 to 2020. World Journal of Pediatrics, 18(3), 176–185. https://doi.org/10.1007/s12519-021-00501-5

  • MacLeod, S., & Kiely, J. L. (1988). The effects of maternal age and parity on birthweight: a population-based study in New York City. International Journal of Gynecology & Obstetrics, 26(1), 11–19. https://doi.org/10.1016/0020-7292(88)90191-9

  • Pandolfini, C., Clavenna, A., Cartabia, M., Campi, R., Bonati, M., e NASCITA Work Group (2022). National, longitudinal NASCITA birth cohort study to investigate the health of Italian children and potential influencing factors. BMJ Open, 12(11), e063394. https://doi.org/10.1136/bmjopen-2022-063394

  • Shin, D., Song, W. O., et al. (2012). Maternal age, birth order, and race: differential effects on birthweight. Journal of Epidemiology and Community Health, 66(2), 136–142. https://doi.org/10.1136/jech.2009.088567

  • Villandré, L., Hutcheon, J. A., Perez Trejo, M. E., Abenhaim, H., Jacobsen, G., & Platt, R. W. (2011). Modeling fetal weight for gestational age: A comparison of a flexible multi-level spline-based model with other approaches. The International Journal of Biostatistics, 7(1). https://doi.org/10.2202/1557-4679.1305