Confronto tra modelli di regressione lineare, Poisson, Binomiale negativa per il conteggio di decessi da COVID-19 in Italia in era Omicron/post-Omicron

Questo studio esamina criticamente l’uso di tre modelli di regressione — lineare, di Poisson e binomiale negativa — applicati ai dati settimanali di mortalità da COVID-19 in Italia durante le fasi Omicron e post-Omicron (novembre 2021 – gennaio 2025). L’obiettivo è valutare quanto l’accuratezza predittiva dipenda dal tipo di modello rispetto alla struttura temporale dei dati. Pur riconoscendo i limiti dei modelli lineari nell’analisi di conteggi non normali e sovradispersi, i risultati mostrano che la precisione delle previsioni non è guidata dalla complessità statistica, bensì dalla corretta calibrazione epidemiologica della finestra temporale. Il confronto fra tre segmentazioni — stagionale (calibrata), mensile e annuale (non calibrate) — rivela un pattern definito “errore 1%–10%–100%”. Gli errori restano minimi (~1–1,5%) solo quando la finestra rappresenta un intervallo epidemiologicamente significativo, mentre crescono rapidamente su base mensile (~10%) e possono collassare fino al 100% su base annuale, anche impiegando modelli adeguati come Poisson o Binomiale Negativa. Il contributo originale dello studio consiste nel mostrare che, sebbene la Binomiale Negativa risulti la più solida in presenza di sovradispersione, l’affidabilità delle previsioni dipende soprattutto dalla coerenza tra arco temporale e dinamica epidemica. Ne deriva che anche la regressione lineare, solitamente ritenuta inadatta, può diventare competitiva se applicata entro finestre calibrate, mentre nessun modello mantiene prestazioni solide quando utilizzato senza considerare la struttura epidemiologica dei dati. La conclusione principale è che la calibrazione temporale incide sull’accuratezza predittiva molto più della scelta del modello. Lo studio propone una rilettura della modellazione epidemiologica, sostenendo che la “Intelligenza Temporale” — ovvero la segmentazione informata del periodo analizzato — costituisce un prerequisito essenziale per ottenere previsioni affidabili.