<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>goodness of fit &#8211; paologironi blog</title>
	<atom:link href="https://www.gironi.it/blog/tag/goodness-of-fit-it/feed/" rel="self" type="application/rss+xml" />
	<link>https://www.gironi.it/blog</link>
	<description>Appunti sparsi di (retro) informatica, analisi dei dati, statistica, seo, e cose che cambiano</description>
	<lastBuildDate>Tue, 06 Oct 2026 07:23:36 +0000</lastBuildDate>
	<language>it-IT</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>Il test del chi quadro (chi quadrato): bontà di adattamento e indipendenza</title>
		<link>https://www.gironi.it/blog/il-test-del-chi-quadrato/</link>
					<comments>https://www.gironi.it/blog/il-test-del-chi-quadrato/#comments</comments>
		
		<dc:creator><![CDATA[paolo]]></dc:creator>
		<pubDate>Tue, 10 Dec 2019 14:05:14 +0000</pubDate>
				<category><![CDATA[statistica]]></category>
		<category><![CDATA[chi quadrato]]></category>
		<category><![CDATA[goodness of fit]]></category>
		<category><![CDATA[test adattamento]]></category>
		<category><![CDATA[test indipendenza]]></category>
		<guid isPermaLink="false">https://www.gironi.it/blog/?p=1516</guid>

					<description><![CDATA[Desktop 5,5% di CTR, mobile 2,5%. Una differenza che sembra enorme: ma è reale, o con un altro mese di dati potrebbe sparire?Per rispondere con i numeri e non a sensazione c&#8217;è uno dei test più usati in assoluto, il test del chi quadro (o chi quadrato, χ²). Il test del chi quadro fu proposto &#8230; <a href="https://www.gironi.it/blog/il-test-del-chi-quadrato/" class="more-link">Leggi tutto<span class="screen-reader-text"> "Il test del chi quadro (chi quadrato): bontà di adattamento e indipendenza"</span></a>]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Desktop 5,5% di CTR, mobile 2,5%. Una differenza che sembra enorme: ma è reale, o con un altro mese di dati potrebbe sparire?<br>Per rispondere con i numeri e non a sensazione c&#8217;è uno dei test più usati in assoluto, il <strong>test del chi quadro</strong> (o <strong>chi quadrato</strong>, χ²).</p>



<p class="wp-block-paragraph">Il test del chi quadro fu proposto da <a aria-label="Karl Pearson (apre in una nuova scheda)" href="https://it.wikipedia.org/wiki/Karl_Pearson" target="_blank" rel="noreferrer noopener">Karl Pearson</a> nel 1900, e trova ampia applicazione per stimare quanto efficacemente la distribuzione di una variabile categorica rappresenti una distribuzione attesa (e allora parliamo di &#8220;Test della bontà di adattamento&#8221; o &#8220;Goodness of fit test&#8221;) oppure per stimare quando due variabili categoriche sono indipendenti l&#8217;una dall&#8217;altra (e allora parliamo di &#8220;Test di indipendenza&#8221;).</p>



<p class="wp-block-paragraph">Tale è l&#8217;importanza e la diffusione di questo test, da essere indicato dalla rivista <em>Scientific American</em> tra le 20 scoperte scientifiche più importanti del XX secolo.</p>



<span id="more-1516"></span>



<p class="wp-block-paragraph"><strong>In sintesi:</strong> il <strong>test del chi quadro</strong> (χ²) confronta le frequenze osservate con quelle attese in dati categorici. Nella versione <strong>bontà di adattamento</strong> verifica se una variabile segue una distribuzione attesa (gradi di libertà: categorie − 1); nella versione <strong>test di indipendenza</strong> verifica se due variabili sono legate, partendo da una tabella di contingenza (gradi di libertà: (righe − 1) × (colonne − 1)). La statistica è la somma di (osservate − attese)² / attese: se supera il valore critico, o se il p-value scende sotto α, si rifiuta l&#8217;ipotesi nulla. In R si usa <code>chisq.test()</code>.</p>



<div style="border:1px solid #ccc;padding:1.2em 1.5em;margin:1.5em 0;border-radius:6px">
<h3 style="margin-top:0">Di cosa parleremo</h3>
<ul>
<li><a href="#bonta-di-adattamento">Il Test della bontà di adattamento (Goodness of Fit)</a></li>
<li><a href="#esempio-semplice">Capire attraverso un semplice esempio</a></li>
<li><a href="#tavola">La tavola del chi quadro</a></li>
<li><a href="#casio-bonta">Mi semplifico la vita usando una calcolatrice scientifica Casio</a></li>
<li><a href="#r-bonta">Uso R per il test della bontà di adattamento</a></li>
<li><a href="#test-di-indipendenza">Il Test di Indipendenza</a></li>
<li><a href="#casio-indipendenza">Il Test di indipendenza con la Casio</a></li>
<li><a href="#r-indipendenza">Il test di indipendenza con R</a></li>
<li><a href="#esempio-seo-ctr">Un esempio SEO: il CTR dipende dal dispositivo?</a></li>
<li><a href="#prova-tu">Prova tu</a></li>
<li><a href="#domande-frequenti">Domande frequenti</a></li>
</ul>
</div>



<hr class="wp-block-separator has-css-opacity"/>



<h2 class="wp-block-heading" id="bonta-di-adattamento">Il Test della bontà di adattamento (<em>Goodness of Fit</em>)</h2>



<p class="wp-block-paragraph">E&#8217; un utilissimo test, che concerne la distribuzione di una variabile categorica. Ci consente infatti di verificare se le frequenze osservate differiscono in misura significativa da quelle attese, quando gli esiti possibili sono più di due.</p>



<p class="wp-block-paragraph">I prerequisiti per poter effettuare il test sono molto semplici:</p>



<ol class="wp-block-list">
<li>Il campione deve essere casuale;</li>



<li>Le osservazioni devono essere indipendenti per il campione (una osservazione per soggetto); </li>



<li>Nessuna frequenza <strong>attesa</strong> inferiore a 5. <br>Questo ultimo punto suona piuttosto criptico e merita qualche parola in più. Quando la vc è continua o i caratteri non sono nominali e si dispone di osservazioni campionarie singole, un problema importante concerne la determinazione del numero di classi (chiamate anche &#8220;celle&#8221;) in cui articolare la distribuzione. Nella prassi è richiesto che le frequenze teoriche siano almeno uguali a 5; vale a dire che occorre verificare che il numero di elementi attesi in ciascuna classe non scenda sotto questa soglia.</li>
</ol>



<h2 class="wp-block-heading" id="esempio-semplice">Capire attraverso un semplice esempio</h2>



<p class="wp-block-paragraph">Come al solito, per capire meglio di cosa stiamo parlando ci spiegheremo con un esempio super-semplificato (e, mi scuso, abbastanza ridicolo&#8230;).<br><br>Suppongo che sia stato condotto uno studio sugli hobbisti appassionati di elettronica che usano schede Arduino. Si è visto che i possessori di una sola scheda Arduino sono il 50%, quelli che hanno da 2 a 4 schede sono il 30%, chi ne possiede 5 o più è il 20%.</p>



<p class="wp-block-paragraph">Immaginiamo che io abbia condotto un mio studio indipendente e abbia riscontrato questi dati: su 150 hobbisti ho trovato che 90 possedevano un solo Arduino, 30 da 2 a 4 schede, e 30 5 o più schede.<br><br>L&#8217;ipotesi nulla è che le proporzioni da me riscontrate siano in linea con quelle dello studio ufficiale.<br>L&#8217;ipotesi alternativa è ovviamente che i dati raccolti non confermino le proporzioni dello studio ufficiale.</p>



<p class="wp-block-paragraph">Preparo la mia tabella inserendo i dati:</p>



<figure class="wp-block-table"><table><tbody><tr><td></td><td class="has-text-align-center" data-align="center"><b>Un solo Arduino</b></td><td class="has-text-align-center" data-align="center"><b>Da 2 a 4 schede</b></td><td class="has-text-align-center" data-align="center"><b>5 o più schede</b></td><td class="has-text-align-center" data-align="center"><b>Totale</b></td></tr><tr><td>Dati osservati</td><td class="has-text-align-center" data-align="center">90<br></td><td class="has-text-align-center" data-align="center">30</td><td class="has-text-align-center" data-align="center">30</td><td class="has-text-align-center" data-align="center">150</td></tr><tr><td>Dati attesi</td><td class="has-text-align-center" data-align="center">0.50 x 150 = 75</td><td class="has-text-align-center" data-align="center">0.30 x 150 = 45</td><td class="has-text-align-center" data-align="center"> 0.20 x 150 = 30 </td><td class="has-text-align-center" data-align="center">150</td></tr></tbody></table></figure>



<p class="wp-block-paragraph">Per non rifiutare l&#8217;ipotesi nulla, occorre che la differenza tra le frequenze attese e quelle osservate sia attribuibile alla variabilità di campionamento al livello designato di significatività.</p>



<p class="wp-block-paragraph">La statistica χ<sup>2</sup> calcolata dai dati campionari è data da:</p>



\(
\chi^2=\Sigma\frac{(f_0-f_e)^2}{f_e}\\ \\
\)
<p>
f<sub>0</sub>=frequenze osservate <br>
f<sub>e</sub>=frequenze attese <br>
</p>



<p class="wp-block-paragraph">I gradi di libertà per il test di bontà di adattamento sono il numero di categorie meno uno (la formula (r − 1)(c − 1) la incontreremo più avanti, con il test di indipendenza):</p>



\(
df=k-1\\
\\ \\
\)
<p>
k = numero di categorie (le colonne della nostra tabella)
</p>



<p class="wp-block-paragraph">Usiamo come linee guida il nostro esempio. Partiamo dalle ipotesi:</p>



\(
H_0=le\ frequenze\ sono\ 0.5\ 0.3\ 0.2\\
H_a=le\ frequenze\ non\ sono\ 0.5\ 0.3\ 0.2\\
\)



<p>Abbiamo:</p>
\(
n=150\\
df=3-1=2\\ \\
\)
<p>Troviamo nelle tabelle il valore del χ<sup>2</sup> critico (df=2, α=0.05)<br>
Il valore risulta essere: <b>5.99</b>
</p>



<p class="wp-block-paragraph">Ora calcolo il valore del χ<sup>2</sup> per i miei dati:</p>



\(
\chi^2=\frac{(90-75)^2}{75}+\frac{(30-45)^2}{45}+\frac{(30-30)^2}{30}=\\
=\frac{225}{75}+\frac{225}{45}+\frac{0}{30}=\\
=3+5\\
=8\\
\)



<p class="wp-block-paragraph">Concludiamo allora (poichè il valore calcolato risulta <strong>superiore al valore critico</strong>) che <strong>possiamo rifiutare l&#8217;ipotesi nulla al livello di significatività del 5%</strong>. Cioè: possiamo rifiutare l&#8217;asserzione che le frequenze siano distribuite secondo la proporzione 50%,30%,20%.</p>



<h3 class="wp-block-heading" id="tavola">La tavola del chi quadro</h3>



<p class="wp-block-paragraph">Il 5,99 che abbiamo usato come soglia viene dalla <strong>tavola dei valori critici</strong> del chi quadro: si legge la riga dei gradi di libertà e la colonna del livello di significatività scelto. Ecco le righe che servono più spesso:</p>



<figure class="wp-block-table"><table><thead><tr><th>Gradi di libertà</th><th>α = 0,05</th><th>α = 0,01</th></tr></thead><tbody><tr><td>1</td><td>3,84</td><td>6,63</td></tr><tr><td>2</td><td>5,99</td><td>9,21</td></tr><tr><td>3</td><td>7,81</td><td>11,34</td></tr><tr><td>4</td><td>9,49</td><td>13,28</td></tr><tr><td>5</td><td>11,07</td><td>15,09</td></tr><tr><td>6</td><td>12,59</td><td>16,81</td></tr></tbody></table></figure>



<p class="wp-block-paragraph">In R la tavola non serve: <code>qchisq()</code> restituisce il valore critico per qualunque combinazione. Lo verifico per il nostro esempio:</p>



<pre class="wp-block-code"><code>qchisq(0.95, df = 2)   # alfa = 0,05 con 2 gradi di liberta'
# [1] 5.991465</code></pre>



<h2 class="wp-block-heading" id="casio-bonta">Mi semplifico la vita usando una calcolatrice scientifica Casio</h2>



<p class="wp-block-paragraph">Con la mia calcolatrice fx mi basta scegliere da menù la voce &#8220;STAT&#8221; e inserire nel mio editor di tabella i valori osservati nella lista L1 e i valori attesi in L2.<br><br>Poi sceglierò: </p>



<pre class="wp-block-code"><code>[TEST]<br>[CHI]<br>[GoF]<br>Observed:List1<br>Expected:List2<br>df:2<br>[CALC]</code></pre>



<p class="wp-block-paragraph">e otterrò sia il valore del chi quadrato, sia quello di p (in questo caso 0,01832 che è inferiore al valore di alpha 0.05 da me scelto, confermando la conclusione che posso rigettare l&#8217;ipotesi nulla e accogliere quella alternativa).</p>



<h2 class="wp-block-heading" id="r-bonta">Uso R per il test della bontà di adattamento</h2>



<p class="wp-block-paragraph">In R l&#8217;esempio indicato risulta ancora più semplice da impostare:</p>



<pre class="wp-block-code"><code>osservati&lt;-c(90,30,30)
proporzione_attesa&lt;-c(0.5,0.3,0.2)
chisq.test(osservati,p=proporzione_attesa,correct=FALSE)

e il risultato sarà:

Chi-squared test for given probabilities
data:  osservati
X-squared = 8, df = 2, p-value = 0.01832</code></pre>



<h2 class="wp-block-heading" id="test-di-indipendenza">Il Test di Indipendenza</h2>



<p class="wp-block-paragraph">E&#8217; comunemente usato per determinare se due fattori sono tra loro in relazione.</p>



<p class="wp-block-paragraph">In genere, quello che vogliamo sapere è: &#8220;La variabile X è indipendente dalla variabile Y ?</p>



<p class="has-light-gray-background-color has-background wp-block-paragraph">Attenzione: la risposta che otteniamo dal nostro test è <strong>solo</strong> questa, non <strong>come </strong>sono relate le variabili.</p>



<p class="wp-block-paragraph">Nel caso del test della bontà di adattamento vi è <strong>una sola variabile </strong>in gioco: le frequenze osservate possono quindi essere elencate in un&#8217;unica riga, o colonna, di valori in una tabella.</p>



<p class="wp-block-paragraph">I test di indipendenza, invece, implicano <strong>due variabili</strong> e l&#8217;<strong>oggetto del test</strong> è proprio l&#8217;<strong>assunzione che le due variabili siano statisticamente indipendenti</strong>.</p>



<p class="wp-block-paragraph">Poichè due variabili sono implicate nel test, le frequenze osservate sono inserite in una <strong><a href="https://www.gironi.it/blog/tabelle-di-contingenza-e-probabilita-condizionata" target="_blank" rel="noreferrer noopener" aria-label="tavola di contingenza (apre in una nuova scheda)">tavola di contingenza</a></strong> del <strong>tipo riga x colonna</strong>. <br>Ad esempio, rappresento i dati relativi a età e sesso degli appassionati di un dato marchio commerciale:</p>



<table class="font-size:11px;"><tbody><tr><td><b>Età</b></td><td><b>Maschio</b></td><td><b>Femmina</b></td><td><b>Totale</b></td></tr><tr><td><b>&lt;35</b></td><td>66</td><td>54</td><td>120</td></tr><tr><td><b>&gt;=35</b></td><td>78</td><td>12</td><td>90</td></tr><tr><td><b>Totale</b></td><td>144</td><td>66</td><td>210</td></tr></tbody></table>



<p class="wp-block-paragraph">Vogliamo testare l&#8217;ipotesi nulla che le due variabili<strong> qualitative</strong> sesso ed età siano indipendenti. Dunque, l&#8217;ipotesi alternativa prevede invece che esista una relazione tra le due variabili.</p>



<p class="wp-block-paragraph">Se l&#8217;ipotesi di indipendenza è vera, fra la frequenza osservata di ciascuna casella e il totale delle frequenze osservate della riga e colonna in cui quella casella è inclusa, devono esserci le stesse proporzioni esistenti fra il totale di colonna e di riga e la dimensione totale del campione.</p>



\(
f_e=\frac{\Sigma_{riga}\ \Sigma_{colonna}}{n}\\
\\ \\
df=(r-1)(c-1)\\
\\ \\
\)



<p class="wp-block-paragraph">A questo punto procedo con il mio esempio:</p>



\(
f_e=\frac{\Sigma_{riga}\ \Sigma_{colonna}}{n}=\frac{120\times 144}{210}=82,3\\
\)



<div style="height:14px" aria-hidden="true" class="wp-block-spacer"></div>



<p class="has-light-gray-background-color has-background wp-block-paragraph">Le 3 frequenze rimanenti possono essere facilmente ottenute per sottrazione dai totali di riga e di colonna. Infatti, <strong>una tabella 2&#215;2 ha df=1</strong>, cioè <strong>la frequenza di una sola casella è libera di variare</strong>.</p>



<p class="wp-block-paragraph">Otterrò:</p>



<table style="font-size:11px;"><tbody><tr><td><b>Età</b></td><td><b>Maschi</b></td><td><b>Femmine</b></td><td><b>Totale</b></td></tr><tr><td>&lt;35</td><td>82</td><td>38</td><td>120</td></tr><tr><td>&gt;=35</td><td>62</td><td>28</td><td>90</td></tr><tr><td>Totale</td><td>144</td><td>66</td><td>210</td></tr></tbody></table>
<br>



<div style="height:16px" aria-hidden="true" class="wp-block-spacer"></div>



\(
H_0=sesso\ e\ anni\ sono\ indipendenti\\
H_a=esiste\ una\ relazione\ tra\ sesso\ e\ anni\\
\\ \\
df=(2-1)(2-1)=1
\)
<br>
<br>
<p>
Scelgo un livello α=0.01 di significatività
</p>



\(
\chi^2_{critico}=6.63\\
\)



<p class="wp-block-paragraph">calcolo il valore del chi-quadro e trovo:</p>



\(
\chi^2=23.9\\
\)



<p class="wp-block-paragraph">Si rifiuta allora l&#8217;ipotesi nulla di indipendenza al livello di significatività dell&#8217;1%. Le variabili età e sesso sono dipendenti.</p>



<h2 class="wp-block-heading" id="casio-indipendenza">Il Test di indipendenza con la Casio</h2>



<p class="wp-block-paragraph">Per risolvere il mio esempio in maniera molto semplice con la mia Casio avrei potuto fare così:</p>



<p>Carico i miei dati di tabella in una matrice, che chiamo A:</p>



<pre class="wp-block-code"><code>[[66,54][78,12]]→[OPTN][MAT][MAT][ALPHA][A]</code></pre>



<p class="wp-block-paragraph" id="block-bf13504e-9671-41f0-bff4-2df66f19200a">A questo punto mi sposto nelle funzioni statistiche:</p>



<pre class="wp-block-code"><code>[MENU][STAT]

[TEST][CHI][2WAY]

Observed:Mat A

Expected:Mat B

[CALC]</code></pre>



Il risultato sarà:
<br><br>
χ<sup>2</sup>=23.9299242<br>
p=9.9907e-07<br>
df=1<br>
<br>
Come si vede dal bassissimo valore di p, accolgo l&#8217;ipotesi alternativa e scarto l&#8217;ipotesi nulla.



<h2 class="wp-block-heading" id="r-indipendenza">Il test di indipendenza con R</h2>



<p class="wp-block-paragraph">Costruisco la mia tabella di contingenza</p>



<pre class="wp-block-code"><code>appassionati &lt;- matrix(c(66,54,78,12),ncol=2,byrow=TRUE)
 rownames(appassionati) &lt;- c("meno di 35","35 o piu")
 colnames(appassionati) &lt;- c("maschio","femmina")
 appassionati &lt;- as.table(appassionati)
 appassionati

posso calcolare i totali di riga:
margin.table(appassionati,1)

e quelli di colonna:
margin.table(appassionati,2)

il gran totale è:
margin.table(appassionati)

guardo i valori attesi:
chisq.test(appassionati)$expected

e testo l'ipotesi con:
chisq.test(appassionati)</code></pre>



<p class="wp-block-paragraph">il bassissimo valore di p risultante mi indica che posso rigettare l&#8217;ipotesi nulla dell&#8217;indipendenza delle due variabili.</p>



<p class="wp-block-paragraph">(n.b. su una tabella 2×2 R applica di default la <strong>correzione di continuità di Yates</strong>, e restituisce χ² = 22,48 invece del 23,93 calcolato a mano e con la Casio. Con <code>correct=FALSE</code> si ritrova il valore «classico». La correzione rende il test più prudente quando i conteggi sono piccoli; con campioni grandi la differenza diventa trascurabile.)</p>




<h2 class="wp-block-heading" id="esempio-seo-ctr">Un esempio SEO: il CTR dipende dal dispositivo?</h2>



<p class="wp-block-paragraph">Gli hobbisti di Arduino e gli appassionati di marchi vanno benissimo per capire il meccanismo, ma il test di indipendenza dà il meglio di sé nella pratica quotidiana di chi lavora con i dati di Search Console. Riprendiamo i numeri che abbiamo già incontrato parlando del <a href="https://www.gironi.it/blog/il-paradosso-di-simpson-nella-seo-quando-i-dati-aggregati-possono-mentire/">Paradosso di Simpson</a>: in un mese il nostro sito ha raccolto 10.000 impression su Desktop con 550 click, e 20.000 impression su Mobile con 500 click. Il CTR è dunque 5,5% contro 2,5%: una differenza che sembra enorme, ma è reale o potrebbe essere frutto del caso?</p>



<p class="wp-block-paragraph">Formulata nel linguaggio di questo articolo, la domanda diventa: <strong>il click è indipendente dal dispositivo?</strong> Costruiamo la tabella di contingenza, con una avvertenza importante: nelle celle vanno i <strong>conteggi</strong>, mai le percentuali. Per ogni dispositivo servono quindi i click e i &#8220;non click&#8221; (le impression che non hanno generato click).</p>



<figure class="wp-block-table"><table><thead><tr><th>Dispositivo</th><th>Click</th><th>Nessun click</th><th>Totale</th></tr></thead><tbody><tr><td><strong>Desktop</strong></td><td>550</td><td>9.450</td><td>10.000</td></tr><tr><td><strong>Mobile</strong></td><td>500</td><td>19.500</td><td>20.000</td></tr><tr><td><strong>Totale</strong></td><td>1.050</td><td>28.950</td><td>30.000</td></tr></tbody></table></figure>



<p class="wp-block-paragraph">Le ipotesi sono le solite:</p>



\(
H_0=click\ e\ dispositivo\ sono\ indipendenti\\
H_a=esiste\ una\ relazione\ tra\ click\ e\ dispositivo\\
\)



<p class="wp-block-paragraph">Verifico in R, costruendo la matrice dei conteggi (uso <code>correct=FALSE</code> per poter confrontare il risultato con l&#8217;eventuale calcolo manuale):</p>



<pre class="wp-block-code"><code>ctr &lt;- matrix(c(550, 9450, 500, 19500), ncol=2, byrow=TRUE)
rownames(ctr) &lt;- c("Desktop", "Mobile")
colnames(ctr) &lt;- c("click", "no click")
chisq.test(ctr, correct=FALSE)

il risultato sarà:

Pearson's Chi-squared test
data:  ctr
X-squared = 177.65, df = 1, p-value &lt; 2.2e-16</code></pre>



<p class="wp-block-paragraph">Il p-value è infinitesimale: rifiutiamo l&#8217;ipotesi nulla senza esitazioni. Il click <strong>dipende</strong> dal dispositivo, e la differenza tra i due CTR non è attribuibile al caso.</p>



<div class="wp-block-group has-background" style="background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem"><div class="wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained">

<figure class="wp-block-image size-large"><img fetchpriority="high" decoding="async" width="975" height="600" src="https://www.gironi.it/blog/wp-content/uploads/2026/07/chi-quadrato-ctr-dispositivo.png" alt="CTR per dispositivo contro il CTR atteso sotto indipendenza (3,5%): la distanza tra le barre e la linea è ciò che il χ² misura." class="wp-image-4309" srcset="https://www.gironi.it/blog/wp-content/uploads/2026/07/chi-quadrato-ctr-dispositivo.png 975w, https://www.gironi.it/blog/wp-content/uploads/2026/07/chi-quadrato-ctr-dispositivo-300x185.png 300w" sizes="(max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px" /><figcaption class="wp-element-caption">CTR per dispositivo contro il CTR atteso sotto indipendenza (3,5%): la distanza tra le barre e la linea è ciò che il χ² misura.</figcaption></figure>

</div></div>



<p class="has-light-gray-background-color has-background wp-block-paragraph">n.b.: con i volumi tipici della Search Console (decine di migliaia di impression) il chi quadrato rifiuta l&#8217;ipotesi nulla anche per differenze minuscole e praticamente irrilevanti. La significatività statistica ci dice che la differenza non è frutto del caso, <strong>non</strong> che sia importante: con campioni molto grandi le due cose vanno tenute ben distinte.<br>Per misurare <em>quanto</em> è forte l&#8217;associazione si usa la <strong>V di Cramér</strong>, che va da 0 (nessuna associazione) a 1: qui vale √(177,65 / 30.000) ≈ <strong>0,08</strong>, un legame debole nonostante il p-value microscopico.</p>



<h2 class="wp-block-heading" id="prova-tu">Prova tu</h2>



<p class="wp-block-paragraph">Per fissare il meccanismo, un esercizio con dati finti ma realistici. Dalla Search Console di un e-commerce estraiamo un mese di dati, separando le query brand dalle non-brand:</p>



<figure class="wp-block-table"><table><thead><tr><th>Tipo di query</th><th>Click</th><th>Nessun click</th><th>Totale</th></tr></thead><tbody><tr><td><strong>Brand</strong></td><td>240</td><td>1.760</td><td>2.000</td></tr><tr><td><strong>Non-brand</strong></td><td>540</td><td>17.460</td><td>18.000</td></tr><tr><td><strong>Totale</strong></td><td>780</td><td>19.220</td><td>20.000</td></tr></tbody></table></figure>



<p class="wp-block-paragraph">La domanda è la stessa di prima: il click dipende dal tipo di query? L&#8217;esercizio consiste nel formulare le ipotesi, scegliere α=0,05, costruire la matrice in R ed eseguire il test (sempre con <code>correct=FALSE</code>). Se tutto fila, il chi quadrato dovrebbe risultare vicino a 389, con un p-value microscopico. E già che ci siamo: quale dei due CTR (12% contro 3%) &#8220;tira&#8221; di più il risultato? Un&#8217;occhiata alle frequenze attese con <code>chisq.test(...)$expected</code> aiuta a rispondere.</p>



<h2 class="wp-block-heading" id="domande-frequenti">Domande frequenti</h2>



<h3 class="wp-block-heading">Quando si usa il test del chi quadro?</h3>



<p class="wp-block-paragraph">Con dati categorici, cioè conteggi di casi in categorie: per verificare se una variabile segue una distribuzione attesa (bontà di adattamento) o se due variabili sono indipendenti (test di indipendenza). Esempi tipici: il CTR dipende dal dispositivo? La distribuzione dei clienti per fascia d&#8217;età è cambiata?</p>



<h3 class="wp-block-heading">Che differenza c&#8217;è tra chi quadro e chi quadrato?</h3>



<p class="wp-block-paragraph">Nessuna: sono due nomi dello stesso test, indicato con la lettera greca χ² (chi). «Chi quadro» è la forma più diffusa nel parlato e nelle ricerche, «chi quadrato» quella più usata nei manuali.</p>



<h3 class="wp-block-heading">Come si calcolano i gradi di libertà del chi quadro?</h3>



<p class="wp-block-paragraph">Nel test di bontà di adattamento sono il numero di categorie meno uno (k − 1). Nel test di indipendenza sono (righe − 1) × (colonne − 1): una tabella 2×2 ha un solo grado di libertà.</p>



<h3 class="wp-block-heading">Quali sono le condizioni per applicare il test?</h3>



<p class="wp-block-paragraph">Osservazioni indipendenti, dati espressi come conteggi (mai come percentuali) e frequenze attese di almeno 5 in ogni cella. Se le attese sono troppo basse conviene accorpare le categorie o usare il test esatto di Fisher.</p>



<h3 class="wp-block-heading">Perché R restituisce un chi quadro diverso dal calcolo a mano?</h3>



<p class="wp-block-paragraph">Perché sulle tabelle 2×2 chisq.test() applica di default la correzione di continuità di Yates, che riduce leggermente la statistica. Con correct = FALSE si ottiene il valore classico.</p>



<h3 class="wp-block-heading">Un p-value molto piccolo vuol dire che l&#8217;effetto è grande?</h3>



<p class="wp-block-paragraph">No. Con campioni grandi, come i dati di Search Console, il test rifiuta l&#8217;ipotesi nulla anche per differenze minime. Per misurare l&#8217;intensità dell&#8217;associazione si usa la V di Cramér, che va da 0 (nessuna associazione) a 1.</p>



<script type="application/ld+json">{"@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{"@type": "Question", "name": "Quando si usa il test del chi quadro?", "acceptedAnswer": {"@type": "Answer", "text": "Con dati categorici, cioè conteggi di casi in categorie: per verificare se una variabile segue una distribuzione attesa (bontà di adattamento) o se due variabili sono indipendenti (test di indipendenza). Esempi tipici: il CTR dipende dal dispositivo? La distribuzione dei clienti per fascia d'età è cambiata?"}}, {"@type": "Question", "name": "Che differenza c'è tra chi quadro e chi quadrato?", "acceptedAnswer": {"@type": "Answer", "text": "Nessuna: sono due nomi dello stesso test, indicato con la lettera greca χ² (chi). «Chi quadro» è la forma più diffusa nel parlato e nelle ricerche, «chi quadrato» quella più usata nei manuali."}}, {"@type": "Question", "name": "Come si calcolano i gradi di libertà del chi quadro?", "acceptedAnswer": {"@type": "Answer", "text": "Nel test di bontà di adattamento sono il numero di categorie meno uno (k − 1). Nel test di indipendenza sono (righe − 1) × (colonne − 1): una tabella 2×2 ha un solo grado di libertà."}}, {"@type": "Question", "name": "Quali sono le condizioni per applicare il test?", "acceptedAnswer": {"@type": "Answer", "text": "Osservazioni indipendenti, dati espressi come conteggi (mai come percentuali) e frequenze attese di almeno 5 in ogni cella. Se le attese sono troppo basse conviene accorpare le categorie o usare il test esatto di Fisher."}}, {"@type": "Question", "name": "Perché R restituisce un chi quadro diverso dal calcolo a mano?", "acceptedAnswer": {"@type": "Answer", "text": "Perché sulle tabelle 2×2 chisq.test() applica di default la correzione di continuità di Yates, che riduce leggermente la statistica. Con correct = FALSE si ottiene il valore classico."}}, {"@type": "Question", "name": "Un p-value molto piccolo vuol dire che l'effetto è grande?", "acceptedAnswer": {"@type": "Answer", "text": "No. Con campioni grandi, come i dati di Search Console, il test rifiuta l'ipotesi nulla anche per differenze minime. Per misurare l'intensità dell'associazione si usa la V di Cramér, che va da 0 (nessuna associazione) a 1."}}]}</script>



<p class="wp-block-paragraph">Una domanda però resta aperta, ed è più sottile di quanto sembri. Il test ci ha detto <em>che</em> la dipendenza esiste, e la V di Cramér che è debole: ma debole rispetto a cosa? E quanti dati servono per accorgersi di un effetto che conta davvero, senza farsi abbagliare da quelli che non contano? È il territorio dell&#8217;<a href="https://www.gironi.it/blog/effect-size-e-power-analysis/">effect size e della power analysis</a>, il passo naturale da cui proseguire.</p>


<!-- internal-links-section -->
<h3>Potrebbe interessarti anche</h3>
<ul>
<li><a href="https://www.gironi.it/blog/ab-testing/">A/B Testing: come condurre esperimenti statisticamente validi (e gli errori da evitare)</a></li>
<li><a href="https://www.gironi.it/blog/il-paradosso-di-simpson-nella-seo-quando-i-dati-aggregati-possono-mentire/">Il Paradosso di Simpson nella SEO: quando i dati aggregati possono mentire</a></li>
<li><a href="https://www.gironi.it/blog/campionamento-e-dimensione-campionaria-quanti-dati-servono/">Campionamento e Dimensione Campionaria: Quanti Dati Servono?</a></li>
</ul>


<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h3 class="wp-block-heading">Per approfondire</h3>



<p class="wp-block-paragraph">Il test del chi quadrato, con tutte le sue varianti e condizioni di applicabilit&agrave;, &egrave; trattato in dettaglio in <a href="https://www.amazon.it/dp/8891910651?tag=consulenzeinf-21&#038;ascsubtag=il-test-del-chi-quadrato" rel="nofollow sponsored noopener" target="_blank"><em>Statistica</em></a> di Newbold, Carlson e Thorne, insieme agli altri test che abbiamo incontrato in questo percorso.</p>



<p class="wp-block-paragraph">E se gli esempi di queste pagine vi hanno fatto venire voglia di imparare R sul serio, <a href="https://www.amazon.it/dp/1492097403?tag=consulenzeinf-21&#038;ascsubtag=il-test-del-chi-quadrato" rel="nofollow sponsored noopener" target="_blank"><em>R for Data Science</em></a> di Hadley Wickham (seconda edizione, leggibile anche gratuitamente online) è il punto di partenza che consiglio.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://www.gironi.it/blog/il-test-del-chi-quadrato/feed/</wfw:commentRss>
			<slash:comments>2</slash:comments>
		
		
			</item>
	</channel>
</rss>
