statistica Archives - Pagina 8 di 10

Analisi delle serie storiche e previsioni di serie temporali in R

Cosa si intende per serie storica, o serie temporale

Una serie storica consta dei valori osservati in un insieme di periodi ordinati sequenzialmente. Questo, per chi fa SEO, è già un elemento del massimo interesse.

I dati di traffico del nostro sito web, considerati lungo una sequenza temporale, sono infatti un esempio di serie storica.

L’analisi delle serie storiche è un insieme di metodi che ci consentono di ricavare schemi o statistiche significative dai dati con informazioni temporali.

In termini molto generali, possiamo dire che una serie temporale è una sequenza di variabili casuali indicizzate nel tempo.

Lo scopo dell’analisi di una serie storica può essere di tipo descrittivo (si pensi alla decomposizione della serie per rimuovere elementi di stagionalità o per evidenziare tendenze di fondo) oppure inferenziale, includendo in quest’ultimo la previsione dei valori per periodi di tempo futuri, ancora non occorsi (forecasting).

Il test del chi quadrato: bontà di adattamento e test di indipendenza.

Nei post precedenti abbiamo visto diversi tipi di test che possiamo utilizzare per analizzare i dati in nostro possesso e verificare delle ipotesi.

Il test chi quadrato fu proposto da Karl Pearson nel 1900, e trova ampia applicazione per stimare quanto efficacemente la distribuzione di una variabile categorica rappresenti una distribuzione attesa (e allora parliamo di “Test della bontà di adattamento” o “Goodness of fit test”) oppure per stimare quando due variabili categoriche sono indipendenti l’una dall’altra (e allora parliamo di “Test di indipendenza”).

Tale è l’importanza e la diffusione di questo test, da essere indicato dalla rivista Scientific American tra le 20 scoperte scientifiche più importanti del XX secolo.

Il t-test per due campioni: quando confrontare due gruppi (e non sbagliare)

Abbiamo avuto modo di vedere, nel post sul test delle ipotesi, come verificare se la media di un campione sia compatibile con una certa ipotesi sulla popolazione. Ma nella pratica il caso più comune è confrontare due gruppi.

Un farmaco abbassa davvero la pressione più del placebo? Un corso di formazione migliora i punteggi? Una nuova landing page produce un CTR più alto? In tutti questi casi abbiamo due gruppi (trattamento vs controllo, prima vs dopo, variante A vs B) e vogliamo capire se le medie sono diverse. Lo strumento giusto è il t-test per due campioni.

Test t di Student con esempi in R per la SEO: confrontare CTR, conversioni e metriche

Abbiamo avuto modo di vedere, nel post sul test delle ipotesi, come verificare se la media di un campione sia compatibile con una certa ipotesi sulla popolazione. Negli esempi che abbiamo proposto, però, conoscevamo il valore della deviazione standard della popolazione, il sigma — una circostanza che ci permetteva di usare la distribuzione normale e lo Z-score.

Nella pratica si tratta di un caso piuttosto raro. Se non conosciamo il sigma della popolazione, o se lavoriamo con campioni piccoli, dobbiamo ricorrere a una distribuzione diversa: la distribuzione t, o distribuzione di Student.

Un breve manifesto (personale) per l’attività SEO

L’esigenza che avverto, frutto di molti anni di attività nel settore, è quella di affermare l’importanza decisiva di un elementare rigore scientifico nell’analisi dei dati di traffico al fine di calibrare con accuratezza e non solo « a sentimento» (anche se i sentimenti sono importanti!) gli interventi SEO per i propri clienti.

Gli strumenti a disposizione del professionista SEO sono numerosissimi, eppure è innegabile che un senso di delusione risieda in noi. Troppe volte abbiamo a che fare con dati di apparente importanza strategica ma che risultano alla prova dei fatti fallaci, o imprecisi, puri specchietti per le allodole.