Funzione Cobb-Douglas nella Realtà: Dalla Teoria alla Regressione Lineare in Python

2. La “Trappola” Statistica: Il paradosso di L e K

Se guardi bene la tabella della regressione, c’è un’incongruenza enorme che un analista esperto nota subito.

Da una parte, in alto a destra, vediamo un R-squared di 0.997. Significa che il modello è quasi perfetto: il lavoro e il capitale spiegano il 99.7% della crescita della produzione. Anche l’F-statistic ha un P-value microscopico, confermando che l’equazione nel complesso funziona benissimo.

Ma ora guarda la colonna P>|t| (i P-value dei singoli fattori):

• Per il lavoro ([math]\ln(L)[/math]) è 0.171 (17.1%)
• Per il capitale ([math]\ln(K)[/math]) è 0.212 (21.2%)

In statistica, un valore sopra la soglia dello 0.05 (5%) indica che la variabile non è statisticamente significativa. L’algoritmo ci sta dicendo: “Il modello è perfetto, ma non sono sicuro che né gli operai né i macchinari abbiano davvero un impatto!”

Come è possibile?

Si tratta di un classico caso di Multicollinearità (segnalata dal software in basso a destra con il Cond. No. = 462). Nel nostro dataset mensile, i macchinari e i dipendenti sono cresciuti sempre di pari passo. Poiché si sono mossi all’unisono, l’algoritmo va in confusione: capisce che la produzione è aumentata grazie a entrambi, ma matematicamente non riesce a isolare il merito del singolo operaio da quello della singola macchina.

Il Workflow Reale di Diagnosi della Multicollinearità

Nell’industria, un data scientist non si affida al caso o all’intuito, ma segue una sequenza diagnostica precisa:

1. L’ispezione preliminare: La Matrice di Correlazione

Il primo campanello d’allarme scatta analizzando la correlazione lineare tra le variabili indipendenti:

# Verifichiamo la correlazione tra i predittori logaritmici
correlazione = df[['ln_L', 'ln_K']].corr()
print(correlazione)

Output:

          ln_L     ln_K
ln_L     1.000    0.999
ln_K     0.999    1.000

Un coefficiente di correlazione pari a 0.999 è il primo indizio inequivocabile: i due predittori sono pressoché gemelli nel loro andamento temporale.

2. La quantificazione formale: Il test VIF (Variance Inflation Factor)

Per misurare l’impatto di questa forte correlazione sulla stabilità dei coefficienti, si calcola il VIF. Questo indicatore confronta la varianza del modello con quella che si avrebbe nello scenario ideale in cui i predittori fossero perfettamente ortogonali (indipendenti).

Il calcolo in Python richiede poche righe:

from statsmodels.stats.outliers_influence import variance_inflation_factor

# Isoliamo i predittori
X = df[['ln_L', 'ln_K']]

# Calcoliamo il VIF per ciascuna variabile
vif = pd.DataFrame()
vif["Variabile"] = X.columns
vif["VIF"] = [
    variance_inflation_factor(X.values, i) 
    for i in range(X.shape[1])
]

print(vif)

Output:

  Variabile          VIF
0      ln_L  4217.300822
1      ln_K  4217.300822

3. Interpretazione e diagnosi definitiva

La regola d’oro nell’industria per interpretare il VIF stabilisce che:

• VIF < 5: Situazione generalmente accettabile.
• 5 < VIF < 10: Zona grigia (correlazione problematica).
• VIF > 10: Forte multicollinearità.

Un VIF di 4217 supera qualsiasi soglia di guardia. Dal punto di vista matematico, significa che la varianza stimata dei coefficienti è circa 4.217 volte maggiore rispetto a quella che avremmo con predittori indipendenti.

Nota:

Concettualmente rimangono due variabili distinte (il lavoro è il lavoro, il capitale è il capitale), ma dal punto di vista statistico si comportano quasi come la stessa variabile. Questa esasperata vicinanza rende i coefficienti estremamente instabili: basta una minima variazione nei dati storici per stravolgere i valori stimati di [math]\alpha[/math] e [math]\beta[/math].

La Soluzione Pratica: Come se ne esce?

In un modello Cobb-Douglas non possiamo eliminare una delle due variabili, poiché entrambe sono strutturalmente necessarie. L’analista deve intervenire alla radice raccogliendo o simulando dati asincroni, introducendo cioè periodi storici in cui l’azienda ha aumentato l’organico senza investire in macchinari, o viceversa, spezzando così il parallelismo perfetto che manda in crisi l’algoritmo.

---

Attenzione ai dati temporali: quando un R² elevato può ingannare

Nel nostro esempio abbiamo utilizzato dati mensili di produzione, quindi non stiamo lavorando con un semplice dataset tabellare, ma con una serie temporale.

Questa distinzione è fondamentale.

Quando un Data Scientist applica una regressione Cobb-Douglas a dati raccolti nel tempo, non deve controllare soltanto la bontà dell’adattamento del modello, ma anche la struttura temporale degli errori.

Un modello può infatti mostrare un R² molto elevato semplicemente perché tutte le variabili crescono insieme nel tempo.

Nel nostro caso:

• la produzione (Q) aumenta mese dopo mese;
• le ore lavorate (L) aumentano mese dopo mese;
• i macchinari (K) aumentano mese dopo mese.

Questa crescita parallela crea un forte legame statistico, ma non significa automaticamente che il modello abbia identificato correttamente le relazioni causali.

Un esempio estremo:

un’azienda potrebbe osservare che il numero di dipendenti, il fatturato e persino il consumo energetico aumentano contemporaneamente per dieci anni. Una regressione potrebbe trovare una correlazione elevatissima, ma una parte del risultato potrebbe essere semplicemente dovuta al trend temporale comune.

Per questo motivo, in un progetto reale il Data Scientist effettua ulteriori controlli.

1. Analisi dei residui

Dopo aver stimato il modello:

[math]\ln(Q) = \ln(A) + \alpha \ln(L) + \beta \ln(K) + \epsilon[/math]

si analizzano gli errori:

[math]\epsilon = \ln(Q) – \ln(\hat{Q})[/math]

I residui dovrebbero comportarsi come rumore casuale:

• media vicina a zero;
• assenza di pattern evidenti;
• varianza relativamente stabile.

Se invece gli errori mostrano una struttura nel tempo, significa che il modello sta ignorando qualche fattore importante.

2. Autocorrelazione dei residui

Nelle serie temporali gli errori di un mese possono essere correlati con quelli del mese precedente.

Ad esempio:

• un guasto produttivo a marzo può influenzare anche aprile;
• una crisi della domanda può produrre effetti persistenti;
• una variazione organizzativa può avere impatto per diversi mesi.

Un Data Scientist può utilizzare il test di Durbin-Watson:

• valore vicino a 2 → assenza di autocorrelazione;
• valore molto inferiore a 2 → possibile correlazione positiva;
• valore superiore a 2 → possibile correlazione negativa.

Nel nostro output:

[math]\text{Durbin-Watson} = 3.248[/math]

il valore suggerisce una possibile autocorrelazione negativa dei residui, un segnale che meriterebbe ulteriori approfondimenti in un caso reale.

3. Stagionalità

Molti processi aziendali hanno comportamenti ciclici:

• vendite natalizie;
• fermate estive;
• picchi produttivi trimestrali;
• variazioni stagionali della domanda.

Una funzione Cobb-Douglas base non cattura automaticamente questi fenomeni.

Un modello più realistico potrebbe includere variabili aggiuntive:

[math]\ln(Q) = \ln(A) + \alpha \ln(L) + \beta \ln(K) + \gamma_1 \text{Mese}_1 + \gamma_2 \text{Mese}_2 + \dots + \epsilon[/math]

dove le variabili mensili catturano gli effetti stagionali.

4. Trend temporale

Un ulteriore miglioramento consiste nell’aggiungere una variabile tempo:

[math]t = 1, 2, 3, \dots, n[/math]

ottenendo:

[math]\ln(Q) = \ln(A) + \alpha \ln(L) + \beta \ln(K) + \gamma t + \epsilon[/math]

Il coefficiente [math]\gamma[/math] misura la crescita della produttività non spiegata direttamente da lavoro e capitale.

In economia questo componente è spesso collegato alla:

Total Factor Productivity (TFP)

cioè il miglioramento dovuto a:

• innovazione tecnologica;
• organizzazione aziendale;
• automazione;
• miglioramento dei processi.

La lezione per il Data Scientist

Un modello con R² = 0.997 sembra quasi perfetto, ma la domanda corretta non è:

“Quanto bene il modello descrive il passato?”

La domanda più importante è:

“Quanto possiamo fidarci delle sue conclusioni quando prendiamo decisioni future?”

La Cobb-Douglas fornisce una struttura economica molto potente, ma i dati reali richiedono sempre una fase di diagnostica statistica.

La teoria suggerisce il modello. La statistica verifica se i dati sono realmente in grado di sostenerlo.