Nel corso dei vari post, e in particolar in quelli riferiti all’analisi di regressione, all’analisi della varianza e alle serie temporali, abbiamo incontrato dei termini che sembrano fatti appositamente per spaventare il lettore.
Lo scopo di questi miei articoli è proprio quello di spiegare con semplicità i concetti chiave, al di là dell’apparente complessità (è ciò che avrei tanto voluto quando ero studente, anzichè confrontarmi con testi dalla forma volutamente – e inutilmente – involuta) .
E’ giunto dunque il momento di spendere qualche parola per tre importantissimi concetti che ricorrono assai spesso nelle analisi statistiche, e che dunque devono essere ben compresi. La realtà è molto, molto più chiara rispetto all’apparente complessità, dunque… nessuna paura!
Categoria: statistica
L’analisi della varianza: ANOVA spiegata semplice
Hai tre campagne Google Ads. Oppure quattro landing page. O ancora cinque versioni di una newsletter. Le medie sembrano diverse, ma sono differenze reali o semplice rumore statistico?
È esattamente il problema che risolve l’analisi della varianza (ANOVA): stabilire se almeno uno dei gruppi è realmente diverso dagli altri, senza cadere nella trappola di eseguire decine di confronti separati.
Leggi tutto “L’analisi della varianza: ANOVA spiegata semplice”Test statistici parametrici e non parametrici
Avete mai lanciato un test A/B e vi siete chiesti se il test giusto sia il t-test o il Wilcoxon? La scelta non è banale: usare il test sbagliato può farvi perdere un risultato significativo — o, peggio, farvi credere significativo ciò che non lo è.
I test statistici si dividono in due grandi famiglie: parametrici e non parametrici. La differenza fondamentale? I primi assumono che i dati seguano una distribuzione nota (di solito la normale); i secondi no. Questa distinzione non è un dettaglio tecnico: determina quali test puoi usare, quanto sono potenti, e quanto puoi fidarti dei risultati.
In questo articolo vediamo le differenze, quando usare l’uno o l’altro, e come la scelta impatta sull’analisi dei dati del tuo sito.
Leggi tutto “Test statistici parametrici e non parametrici”I dati: le 4 scale di misura
Una domanda: quante volte abbiamo visto — o fatto — l’errore di calcolare la posizione media in SERP per un insieme di keyword e usare quel numero come se fosse un dato qualsiasi?
La posizione media è 4,3, la keyword A è 3 e la B è 7, “in media siamo quarti”.
Il problema è che una posizione in classifica non è un numero: è un dato ordinale. La distanza tra la posizione 1 e la posizione 3 non è la stessa che tra la 3 e la 5, e fare la media di numeri che non hanno una distanza interpretabile — questa sì che è una operazione priva di senso.
Prima di fare qualsiasi calcolo su dei dati, dobbiamo chiederci: che tipo di dato è? La risposta decide tutto ciò che possiamo — e non possiamo — fare dopo. E la risposta viene da una classificazione che, pur risalendo al 1946, resta il fondamento di ogni analisi statistica che si rispetti: le 4 scale di misura di Stanley Smith Stevens.
La scala di misura non serve a descrivere i dati: serve a stabilire quali operazioni hanno significato su quei dati. Più una scala contiene informazione, maggiore è il numero di analisi statistiche che possiamo applicare. È questo il criterio che rende la classificazione di Stevens così potente e dura nella pratica.
Leggi tutto “I dati: le 4 scale di misura”La regressione lineare semplice: correlazione, R² e un caso studio in R
Abbiamo avuto modo di esaminare nel corso dei precedenti post concetti come la media o lo scarto quadratico medio, capaci di descrivere una singola variabile. Si tratta di statistiche che rivestono una grande importanza; tuttavia, nella pratica quotidiana, capita sovente di dover indagare le relazioni tra due o più variabili. Ecco dunque emergere nuovi concetti chiave: la correlazione e l’analisi di regressione.
La correlazione e l’analisi della regressione sono strumenti assai utilizzati durante l’analisi dei nostri set di dati.
Implicano la stima della relazione tra una variabile dipendente e una o più variabili indipendenti.