Un grafico anno su anno, i clic organici in calo del 3,6%, e accanto un intervallo di confidenza strettissimo: da −4,7% a −2,5%. Il p-value è dell’ordine di un decimiliardesimo. Tutto sembra dire che il calo è reale, e che ora bisogna trovarne la causa.
Eppure i numeri di questo esempio vengono da una simulazione in cui, per costruzione, non è cambiato nulla. Il calo è rumore, e il test non se n’è accorto.
Il colpevole non è il test, ma un’ipotesi che gli abbiamo dato per buona senza controllarla: che i clic di un giorno siano un’estrazione da una Poisson. Abbiamo usato la Poisson nel confronto fra due periodi con i conteggi, su richieste e moduli. Sui clic giornalieri, sulle sessioni, sulle impressioni, l’ipotesi va controllata prima di fidarsi, e molto spesso non regge. Il motivo ha un nome, sovradispersione, e la cura costa due righe di R.
In sintesi: nella Poisson la varianza è uguale alla media. Nei dati web giornalieri la varianza è quasi sempre molto più grande, per via dei giorni della settimana, della stagione, dei picchi e dei bot. Quando succede, gli intervalli costruiti come Poisson sono troppo stretti e i p-value troppo piccoli. Il controllo è un rapporto: la somma dei residui di Pearson al quadrato divisa per i gradi di libertà, che dovrebbe stare intorno a 1. Nel nostro esempio vale 23. Le due cure sono la quasi-Poisson, che allarga gli errori standard della radice di quel fattore, e la binomiale negativa, che aggiunge un parametro per la varianza. Sugli stessi dati, il calo del 3,6% che la Poisson dava per certo smette di essere significativo con entrambe.
Di cosa parleremo:
- La promessa della Poisson: varianza uguale alla media
- Come accorgersene
- Prima cura: la quasi-Poisson
- Seconda cura: la binomiale negativa
- Una parte della varianza non è sovradispersione
- Quando il calo c’è davvero
- Lo stesso problema con le proporzioni: il CTR
- Domande frequenti
- Prova tu
- Per approfondire
La promessa della Poisson: varianza uguale alla media
La distribuzione di Poisson ha una proprietà che la rende comodissima: un solo parametro descrive tutto. Se un fenomeno produce in media 165 eventi al giorno, la sua varianza è 165, e la sua oscillazione tipica è la radice quadrata di 165, cioè circa 13 eventi.
Non c’è bisogno di stimare la variabilità a parte: la media se la porta dietro.
È una promessa impegnativa, e regge solo se gli eventi sono indipendenti e il ritmo è costante. Pensiamo ai clic organici di un sito. Il lunedì sono più del sabato, d’estate sono meno che in autunno, una newsletter o un articolo ripreso da un quotidiano raddoppiano una giornata, un bot ne gonfia un’altra. Ogni giorno ha un suo ritmo, e i ritmi sono diversi fra loro: il conteggio giornaliero non è una Poisson con una media sola, ma un miscuglio di Poisson con medie diverse. E un miscuglio varia sempre più dei suoi componenti.
Facciamo un esempio, costruito apposta. Simuliamo due anni di clic giornalieri, dal 2 gennaio 2023, con una media di base di 165 clic, un effetto del giorno della settimana (il sabato e la domenica valgono un terzo in meno), una stagionalità del ±16% e dodici giorni di picco fra il doppio e il quadruplo del normale. Sopra questa struttura aggiungiamo un’ulteriore variabilità casuale, quella che nei dati veri portano bot, pagine nuove e SERP che cambiano. Il punto chiave è uno: nel meccanismo che genera i dati non c’è alcun effetto del periodo. I due anni (più precisamente, due periodi consecutivi di 365 giorni) hanno lo stesso ritmo di fondo, e la differenza che vedremo fra il primo e il secondo è prodotta dal caso: dai picchi, che cadono dove capita, e dalla variabilità giornaliera.
Costruisco i dati in R:
library(MASS)
set.seed(2026)
giorno <- seq.Date(as.Date("2023-01-02"), by = "day", length.out = 730)
successivo <- as.integer(seq_along(giorno) > 365) # 0 = anno scorso, 1 = quest'anno
settimana <- as.integer(format(giorno, "%u")) # 1 = lunedì ... 7 = domenica
simula <- function(calo) {
fattore_giorno <- c(1.14, 1.15, 1.12, 1.10, 0.96, 0.70, 0.66)
stagione <- 1 + 0.16 * sin(2 * pi * seq_along(giorno) / 365 - pi / 2)
picchi <- rep(1, 730)
picchi[sample(730, 12)] <- runif(12, 2, 4) # 12 giorni di campagna o di picco
media <- 165 * ifelse(successivo == 1, calo, 1) *
fattore_giorno[settimana] * stagione * picchi
data.frame(clic = rnbinom(730, mu = media, size = 30), successivo, settimana,
picco = picchi > 1)
}
dati <- simula(calo = 1) # nella simulazione non cambia nullaL’argomento calo ci servirà più avanti: con calo = 1 i due anni hanno lo stesso ritmo, con calo = 0.88 il secondo anno perde davvero il 12%. La colonna picco segna i dodici giorni speciali: nei dati veri corrisponderebbe al calendario delle campagne, e ci tornerà utile alla fine.
Come accorgersene
La prima occhiata è la più semplice: confrontiamo la media e la varianza dei conteggi giornalieri. Se la Poisson fosse adeguata, il loro rapporto, che si chiama indice di dispersione, dovrebbe stare intorno a 1.
mean(dati$clic)
var(dati$clic)
var(dati$clic) / mean(dati$clic)
tapply(dati$clic, dati$successivo, mean)La media è 164,5 clic al giorno, la varianza 3.823. Il rapporto è 23,2: la varianza è ventitré volte quella che la Poisson promette.
L’ultima riga ci dà le medie dei due anni, 167,5 e 161,5 clic al giorno, cioè il calo del 3,6% da cui siamo partiti.
L’indice grezzo però mescola due cose, e lo vedremo fra poco: la variabilità che viene da una struttura nota (il giorno della settimana, la stagione) e quella che resta anche dopo averne tenuto conto. Il controllo più corretto si fa sul modello che useremo per il confronto, non sui dati grezzi. Stimiamo il confronto anno su anno come regressione di Poisson, cioè un modello lineare generalizzato (la stessa famiglia della regressione logistica) in cui il logaritmo del ritmo atteso dipende dall’anno.
Per ogni giorno, il modello ci dice quanti clic si aspettava. Lo scarto fra osservato e atteso, diviso per l’oscillazione che la Poisson prevede, si chiama residuo di Pearson:
\(r_i = \frac{y_i-\hat{\mu}_i}{\sqrt{\hat{\mu}_i}}\)
dove yᵢ sono i clic osservati nel giorno i e μ̂ᵢ quelli attesi dal modello. Al denominatore c’è la radice della media perché, nella Poisson, quella è la deviazione standard. Se il modello è giusto, ogni residuo al quadrato vale in media circa 1 (un po’ meno, perché le medie attese le abbiamo stimate sugli stessi dati: è il motivo per cui si divide per i gradi di libertà e non per il numero di giorni). Dunque la loro somma divisa per i gradi di libertà, che chiamiamo fattore di dispersione φ, sta intorno a 1:
\(\hat{\varphi} = \frac{1}{n-p} \sum_{i=1}^{n} r_i^2\)
dove n sono i giorni (730) e p i parametri del modello (2: l’intercetta e l’anno). Lo calcoliamo in R:
m_pois <- glm(clic ~ successivo, family = poisson, data = dati)
phi <- sum(residuals(m_pois, type = "pearson")^2) / m_pois$df.residual
phi
m_pois$deviance / m_pois$df.residual
pchisq(m_pois$deviance, m_pois$df.residual, lower.tail = FALSE)Il fattore di dispersione è 23,2, praticamente identico all’indice grezzo (con un modello così semplice era da aspettarselo). Il secondo numero stampato è una variante dello stesso controllo, che usa la devianza al posto dei residui di Pearson: dà 20,2, stessa sostanza.
Il terzo è un test formale: se il modello di Poisson fosse adeguato, la devianza seguirebbe approssimativamente una chi-quadrato con 728 gradi di libertà (l’approssimazione è buona con conteggi grandi come questi, meno con pochi eventi al giorno). R restituisce 0: il p-value è così piccolo da uscire dalla precisione della macchina, non è uno zero vero. n.b.: il test dice che quel modello non va, non perché. Può essere la varianza, ma anche una media specificata male o giorni non indipendenti fra loro.
Ora guardiamo che cosa ci dice il modello di Poisson sul confronto. Una piccola funzione traduce il coefficiente dell’anno in variazione percentuale, con il suo intervallo al 95% e il p-value:
variazione <- function(m) {
s <- summary(m)$coefficients["successivo", ]
ic <- s[1] + c(-1, 1) * qnorm(0.975) * s[2]
data.frame(variazione = round(100 * (exp(s[[1]]) - 1), 2),
da = round(100 * (exp(ic[1]) - 1), 2),
a = round(100 * (exp(ic[2]) - 1), 2),
p = signif(s[[4]], 3))
}
variazione(m_pois)Il risultato è quello dell’apertura: −3,57%, con intervallo da −4,66% a −2,48% e p-value 2,9×10⁻¹⁰. Un calo che non esiste, presentato con una sicurezza assoluta.
Prima cura: la quasi-Poisson
L’idea più semplice è anche la più vecchia: se la varianza è φ volte quella della Poisson, teniamo il modello così com’è e gonfiamo gli errori standard della radice di φ. I coefficienti restano identici, cambia solo l’incertezza che attribuiamo loro. È la quasi-Poisson, e in R basta cambiare una parola:
m_quasi <- glm(clic ~ successivo, family = quasipoisson, data = dati)
summary(m_quasi)$dispersion
variazione(m_quasi)La dispersione stimata è 23,2, la stessa che abbiamo calcolato a mano. La radice di 23,2 è 4,8, e infatti l’intervallo diventa circa 4,8 volte più largo (per semplicità la nostra funzione usa la normale per tutti e tre i modelli; con la t di Student, che summary() usa per il p-value della quasi-Poisson, cambierebbe solo la seconda cifra decimale): da −8,69% a +1,83%, p-value 0,19. La stima centrale non si è mossa, sempre −3,57%. Ma ora l’intervallo comprende lo zero, e il calo torna a essere quello che è: un’oscillazione compatibile con il caso.
Il prezzo della quasi-Poisson è che non è un vero modello probabilistico: non c’è una distribuzione dietro, solo una correzione della varianza (per questo «quasi»). Non ha una verosimiglianza vera né un AIC, e quindi i modelli non si confrontano con gli strumenti abituali (resta il test F fra modelli annidati, con anova(m1, m2, test = "F")). Per un confronto fra due periodi, comunque, è spesso tutto quello che serve.
Seconda cura: la binomiale negativa
La strada alternativa è cambiare distribuzione. La binomiale negativa si può leggere come un miscuglio di Poisson con ritmi diversi (precisamente, ritmi distribuiti secondo una gamma). Non è detto che i clic giornalieri seguano esattamente questo schema, ma è un modello ragionevole per dati in cui ogni giorno ha il suo ritmo. Ha un parametro in più, θ, che regola quanto la varianza supera la media:
\(\mathrm{Var}(Y) = \mu + \frac{\mu^2}{\theta}\)
dove μ è la media. Quando θ è molto grande il secondo termine sparisce e torniamo alla Poisson; quando θ è piccolo, la varianza cresce col quadrato della media. In R il modello si stima con glm.nb() del pacchetto MASS:
m_nb <- glm.nb(clic ~ successivo, data = dati)
m_nb$theta
variazione(m_nb)θ vale 9,1, e l’intervallo è da −8,23% a +1,31%, p-value 0,15. Anche qui lo zero è dentro, e il calo non è significativo.
n.b.: i dati li abbiamo generati con una binomiale negativa con θ = 30, eppure il modello ne stima 9. Non è un errore. Il modello non sa nulla del giorno della settimana né dei picchi, e tutta quella variabilità in più finisce nel parametro di dispersione, che si abbassa per farle posto.
Mettiamo i tre risultati uno accanto all’altro:
| modello | variazione | intervallo al 95% | p-value |
|---|---|---|---|
| Poisson | −3,57% | da −4,66% a −2,48% | 2,9×10⁻¹⁰ |
| quasi-Poisson | −3,57% | da −8,69% a +1,83% | 0,19 |
| binomiale negativa | −3,57% | da −8,23% a +1,31% | 0,15 |
Stessi dati, stessa stima, due conclusioni opposte. La differenza non sta nel calo, ma in quanta fiducia gli attribuiamo.

Una parte della varianza non è sovradispersione
C’è un’obiezione legittima. Una parte di quella varianza la conosciamo benissimo: il sabato e la domenica valgono un terzo in meno degli altri giorni, e lo sappiamo prima ancora di guardare i dati. Non è variabilità «in più», è struttura, e un modello onesto la dovrebbe includere. Proviamo ad aggiungere il giorno della settimana come variabile:
m_pois_g <- glm(clic ~ successivo + factor(settimana), family = poisson, data = dati)
sum(residuals(m_pois_g, type = "pearson")^2) / m_pois_g$df.residual
variazione(glm(clic ~ successivo + factor(settimana), family = quasipoisson, data = dati))
variazione(glm.nb(clic ~ successivo + factor(settimana), data = dati))Il fattore di dispersione scende da 23,2 a 17,4, circa un quarto in meno. Gli intervalli si stringono un po’, da −8,03% a +1,06% per la quasi-Poisson e da −7,59% a +0,09% per la binomiale negativa, ma lo zero resta dentro in entrambi i casi.
La lezione ha due facce. La prima cosa da fare con la sovradispersione è spiegarla: una struttura che conosciamo davvero (giorno della settimana, stagione, festività, campagne note), messa nel modello, toglie varianza al rumore e può rendere il confronto più preciso, come accade qui. Non è una regola automatica: ogni variabile in più costa gradi di libertà, e una variabile che si sovrappone al periodo può confondere il confronto invece di chiarirlo. Ma quasi mai si riesce a spiegarla tutta. Anche con la settimana nel modello, la varianza resta diciassette volte quella della Poisson, e un modello di Poisson puro continuerebbe a vedere cali che non ci sono.
Notiamo infine che, con la settimana nel modello, la binomiale negativa stima un calo leggermente diverso (−3,83% invece di −3,59%). Il motivo è che i due modelli pesano i giorni in modo diverso: nella binomiale negativa i giorni con molti clic, che hanno varianza più alta, contano un po’ meno. È un buon promemoria del fatto che la stima puntuale dipende dal modello, non solo dai dati.
Quando il calo c’è davvero
Fin qui la sovradispersione sembra solo un modo per spegnere gli allarmi. Vediamo che cosa succede quando il calo è vero. Rigeneriamo i dati con lo stesso meccanismo, ma questa volta il secondo anno perde davvero il 12% del ritmo:
dati_b <- simula(calo = 0.88)
var(dati_b$clic) / mean(dati_b$clic)
variazione(glm(clic ~ successivo, family = poisson, data = dati_b))
variazione(glm(clic ~ successivo, family = quasipoisson, data = dati_b))
variazione(glm.nb(clic ~ successivo, data = dati_b))L’indice di dispersione è 30,8, e la stima del calo è −13,2% con tutti e tre i modelli:
| modello | variazione | intervallo al 95% | p-value |
|---|---|---|---|
| Poisson | −13,2% | da −14,20% a −12,20% | 1×10⁻¹²⁸ |
| quasi-Poisson | −13,2% | da −18,48% a −7,58% | 1,1×10⁻⁵ |
| binomiale negativa | −13,2% | da −17,67% a −8,49% | 1,5×10⁻⁷ |
Tutti e tre trovano il calo, e nessuno sbaglia la direzione. Ma guardiamo l’intervallo della Poisson: va da −14,2% a −12,2%, e il valore vero, −12%, ne resta fuori. Gli altri due lo comprendono.
Dunque anche quando la conclusione è giusta, la Poisson racconta una precisione che non abbiamo. In un report questo diventa «il calo è fra il 12 e il 14%», mentre la frase onesta è «il calo è fra l’8 e il 18%». Se da quel numero dipende una decisione di budget, la differenza conta.

C’è però un limite che nessuna delle due cure risolve, ed è giusto dirlo. Quasi-Poisson e binomiale negativa allargano la varianza di ogni giorno, ma continuano a trattare i giorni come indipendenti fra loro. Nei dati veri spesso non lo sono: una settimana buona tende a essere seguita da un’altra settimana buona, un problema tecnico dura giorni, non ore. Ignorare questa dipendenza (l’autocorrelazione) produce intervalli ancora troppo stretti, e allargare la varianza di ogni giorno non basta a correggerla, perché il problema sta nei legami fra un giorno e l’altro. Nella simulazione l’abbiamo esclusa per costruzione; sui dati reali conviene guardare i residui del modello nel tempo, per esempio con acf(residuals(m, type = "pearson")), prima di considerare chiuso il discorso.
Un avvertimento: con dati sovradispersi un p-value piccolissimo non è una garanzia. Prima di fidarsi di un test sui conteggi (un poisson.test(), un glm di Poisson, un intervallo costruito con la radice della media) si controlla che la varianza sia davvero vicina alla media, e che i giorni non dipendano l’uno dall’altro. Sui clic, sulle sessioni e sulle impressioni giornaliere sono due condizioni che raramente reggono.
Lo stesso problema con le proporzioni: il CTR
Tutto quello che abbiamo visto per i conteggi vale, quasi parola per parola, per le proporzioni. Il CTR di una pagina è il rapporto fra clic e impressioni, e il modello naturale è la binomiale: ogni impressione è una prova, ogni clic un successo. Ma quando mettiamo insieme molte pagine, la binomiale con un solo CTR fa la stessa promessa impegnativa della Poisson: che tutte le pagine abbiano lo stesso CTR, e che le differenze fra loro siano solo caso. Una scheda prodotto e un articolo del blog, una pagina in prima posizione e una in ottava, non hanno lo stesso CTR, e nessuno se lo aspetterebbe.
Facciamo un esempio al volo. Simuliamo 200 pagine, con impressioni mensili che vanno da 30 a 5.000, e un CTR vero diverso per ogni pagina, intorno al 3,5%:
set.seed(2026)
impressioni <- round(10 ^ runif(200, log10(30), log10(5000))) # da 30 a 5.000 per pagina
ctr_vero <- rbeta(200, 0.035 * 60, 0.965 * 60) # ogni pagina ha il suo CTR
pagine <- data.frame(impressioni, clic = rbinom(200, impressioni, ctr_vero))Il CTR vero di ogni pagina viene da una distribuzione beta, la distribuzione naturale per le proporzioni. La diagnosi è la stessa di prima: un modello binomiale con un solo CTR per tutte le pagine, e il fattore di dispersione calcolato sui residui di Pearson:
m_bin <- glm(cbind(clic, impressioni - clic) ~ 1, family = binomial, data = pagine)
sum(residuals(m_bin, type = "pearson")^2) / m_bin$df.residualIl fattore vale 12,4: un forte eccesso di variabilità rispetto a quella che la binomiale con un solo CTR ammette (sulla scala della varianza, non delle differenze fra CTR: in termini di deviazione standard il fattore è la sua radice, circa 3,5). La prima correzione è la stessa dei conteggi, cambiando ancora una sola parola: quasibinomial al posto di binomial. Calcoliamo l’intervallo del CTR complessivo con i due modelli:
ctr_medio <- function(m) {
s <- summary(m)$coefficients[1, ]
round(100 * plogis(s[[1]] + c(stima = 0, da = -1, a = 1) * qnorm(0.975) * s[[2]]), 2)
}
ctr_medio(m_bin)
ctr_medio(glm(cbind(clic, impressioni - clic) ~ 1, family = quasibinomial, data = pagine))Il CTR stimato è 3,21% in entrambi i casi. L’intervallo binomiale va da 3,13% a 3,30%, quello quasi-binomiale da 2,92% a 3,53%, circa 3,5 volte più largo (la radice di 12,4).
Qui però serve una distinzione che con i clic giornalieri non era così evidente: di quale incertezza stiamo parlando? Se la domanda è «qual è il CTR di queste 200 pagine, con questi contenuti e queste posizioni?», le pagine sono date, e l’intervallo binomiale è sostanzialmente adeguato: la variabilità fra pagina e pagina non è rumore, è una caratteristica fissa del sito. Se invece la domanda è «che CTR possiamo aspettarci da pagine come queste?», per esempio per prevedere il rendimento di nuove pagine dello stesso tipo, la variabilità fra pagine diventa parte dell’incertezza, e l’intervallo binomiale è troppo ottimista. È la seconda domanda quella per cui la sovradispersione conta, ed è quella che ci poniamo di solito quando usiamo un CTR medio per decidere qualcosa.
n.b.: la quasi-binomiale applica lo stesso fattore di dispersione a tutte le pagine, ma con impressioni così diverse (da 30 a 5.000) l’eccesso di variabilità non è uguale per tutte: nelle pagine grandi le differenze di CTR pesano di più. La quasi-binomiale è quindi una prima correzione, non quella definitiva. Il modello che tiene conto di questo è la beta-binomiale, l’equivalente della binomiale negativa per le proporzioni: tratta il CTR di ogni pagina come estratto da una beta, esattamente come abbiamo fatto nella simulazione. In R non è nei pacchetti di base, ma si stima con pacchetti dedicati oppure massimizzando la verosimiglianza a mano con optim().
C’è però una domanda che il caso delle proporzioni rende inevitabile: quale CTR medio stiamo stimando? Possiamo dividere tutti i clic per tutte le impressioni, oppure calcolare il CTR di ogni pagina e farne la media:
100 * sum(pagine$clic) / sum(pagine$impressioni)
100 * mean(pagine$clic / pagine$impressioni)Il primo vale 3,21%, il secondo 3,49%. Non sono due stime della stessa cosa: il primo è il CTR del sito, in cui le pagine con molte impressioni pesano di più; il secondo è il CTR della pagina tipica, in cui ogni pagina conta uguale. Quando le pagine hanno CTR diversi, i due numeri divergono, e non c’è un modo giusto in assoluto di scegliere: dipende dalla domanda. «Quanti clic otteniamo dal traffico che abbiamo?» vuole il primo; «com’è il CTR di una nostra pagina qualunque?» vuole il secondo. Prima di confrontare il CTR di due gruppi di pagine, va deciso quale dei due si sta confrontando, perché con gruppi di pagine di dimensioni diverse i due confronti possono dare risultati molto diversi. È un tema che merita un articolo a sé.
Domande frequenti
Che differenza c’è fra sovradispersione e outlier?
Un outlier è un singolo valore anomalo; la sovradispersione è una proprietà dell’insieme dei dati, che variano tutti più di quanto il modello preveda. Togliere i giorni di picco riduce la sovradispersione, ma raramente la elimina: nel nostro esempio i picchi sono solo 12 giorni su 730, e la varianza in eccesso resta anche senza di loro.
Quale scegliere, quasi-Poisson o binomiale negativa?
Per confrontare due periodi danno quasi sempre la stessa risposta, e la quasi-Poisson è più semplice da spiegare: stessa stima, errori più larghi. La binomiale negativa è preferibile quando servono previsioni o probabilità (per esempio «quanto è probabile un giorno sotto i 50 clic?»), oppure quando si vogliono confrontare modelli diversi con l’AIC, che la quasi-Poisson non permette.
Il poisson.test() dell’articolo precedente era sbagliato, allora?
No, ma va usato con lo stesso controllo. Quando gli eventi sono abbastanza indipendenti e il ritmo è stabile, come spesso accade per richieste e moduli, la Poisson regge. Quando a muovere i numeri sono molte cause diverse (campagne, stagione, bot), come spesso accade per clic e sessioni, non regge. Il tipo di metrica però non basta a decidere: il controllo costa una riga, e conviene farlo sempre.
Con dati settimanali o mensili il problema sparisce?
Si attenua il peso del giorno della settimana, ma non la stagionalità né i picchi. E con meno osservazioni il fattore di dispersione si stima peggio. Aggregare non è una cura: è un modo per avere meno dati su cui accorgersi del problema.
Prova tu
Riprendiamo i dati simulati e togliamo i dodici giorni di picco, quelli che nella realtà corrisponderebbero a campagne o a menzioni sui giornali. Li riconosciamo dalla colonna picco, non dal numero di clic: nei dati veri l’equivalente è il calendario delle campagne. Togliere semplicemente i giorni con più clic sarebbe una scorciatoia pericolosa, perché taglierebbe la coda della distribuzione e falserebbe proprio la varianza che vogliamo misurare. Quanto scende il fattore di dispersione? E il calo del secondo anno, resta non significativo con la quasi-Poisson?
senza_picchi <- dati[!dati$picco, ]
m <- glm(clic ~ successivo + factor(settimana), family = quasipoisson, data = senza_picchi)
summary(m)$dispersion
variazione(m)Il fattore di dispersione scende da 17,4 a 7,9, e il calo (ora −2,22%, intervallo da −5,35% a +1,00%) resta non significativo.
Il passo successivo è aggiungere anche la stagione, per esempio con un seno e un coseno di periodo 365 giorni:
t <- which(!dati$picco)
m_s <- glm(clic ~ successivo + factor(settimana) + sin(2 * pi * t / 365) + cos(2 * pi * t / 365),
family = quasipoisson, data = senza_picchi)
summary(m_s)$dispersion
variazione(m_s)La dispersione scende ancora, a 6,0. È lo stesso ordine di grandezza della variabilità che abbiamo messo noi nella simulazione con size = 30: per un giorno con 165 clic attesi, la binomiale negativa ha una varianza 1 + 165/30 ≈ 6,5 volte la media (meno nei giorni più tranquilli, di più in quelli più affollati). Quello che resta dopo aver spiegato la struttura che conosciamo è la sovradispersione da gestire con il modello, ed è ancora sei volte quella che la Poisson ammette.
Il confronto fra due anni interi ha un vantaggio che spesso dimentichiamo: i due periodi attraversano le stesse stagioni e quasi lo stesso calendario. Il problema diventa molto più insidioso quando vogliamo valutare un evento preciso, come una migrazione o un aggiornamento di Google, e il prima e il dopo non sono confrontabili fra loro. Lì non basta allargare gli intervalli: serve un gruppo di controllo, ed è il tema del prossimo articolo, il CTR atteso prima e dopo un evento.
Per approfondire
Per ripassare l’inferenza sui conteggi e sulle proporzioni prima di passare ai modelli, consiglio Statistica di Newbold, Carlson e Thorne: la parte sui test e sugli intervalli di confidenza è il fondamento su cui poggia tutto quello che abbiamo visto. Per l’idea di fondo dell’articolo, cioè che un’incertezza sottostimata è più pericolosa di un’incertezza dichiarata, Il segnale e il rumore di Nate Silver è una lettura che vale molti manuali.