{"id":1516,"date":"2019-12-10T15:05:14","date_gmt":"2019-12-10T14:05:14","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=1516"},"modified":"2026-10-06T08:23:36","modified_gmt":"2026-10-06T07:23:36","slug":"il-test-del-chi-quadrato","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/il-test-del-chi-quadrato\/","title":{"rendered":"Il test del chi quadro (chi quadrato): bont\u00e0 di adattamento e indipendenza"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Desktop 5,5% di CTR, mobile 2,5%. Una differenza che sembra enorme: ma \u00e8 reale, o con un altro mese di dati potrebbe sparire?<br>Per rispondere con i numeri e non a sensazione c&#8217;\u00e8 uno dei test pi\u00f9 usati in assoluto, il <strong>test del chi quadro<\/strong> (o <strong>chi quadrato<\/strong>, \u03c7\u00b2).<\/p>\n\n\n\n<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 bont\u00e0 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>\n\n\n\n<p class=\"wp-block-paragraph\">Tale \u00e8 l&#8217;importanza e la diffusione di questo test, da essere indicato dalla rivista <em>Scientific American<\/em> tra le 20 scoperte scientifiche pi\u00f9 importanti del XX secolo.<\/p>\n\n\n\n<!--more-->\n\n\n\n<p class=\"wp-block-paragraph\"><strong>In sintesi:<\/strong> il <strong>test del chi quadro<\/strong> (\u03c7\u00b2) confronta le frequenze osservate con quelle attese in dati categorici. Nella versione <strong>bont\u00e0 di adattamento<\/strong> verifica se una variabile segue una distribuzione attesa (gradi di libert\u00e0: categorie \u2212 1); nella versione <strong>test di indipendenza<\/strong> verifica se due variabili sono legate, partendo da una tabella di contingenza (gradi di libert\u00e0: (righe \u2212 1) \u00d7 (colonne \u2212 1)). La statistica \u00e8 la somma di (osservate \u2212 attese)\u00b2 \/ attese: se supera il valore critico, o se il p-value scende sotto \u03b1, si rifiuta l&#8217;ipotesi nulla. In R si usa <code>chisq.test()<\/code>.<\/p>\n\n\n\n<div style=\"border:1px solid #ccc;padding:1.2em 1.5em;margin:1.5em 0;border-radius:6px\">\n<h3 style=\"margin-top:0\">Di cosa parleremo<\/h3>\n<ul>\n<li><a href=\"#bonta-di-adattamento\">Il Test della bont\u00e0 di adattamento (Goodness of Fit)<\/a><\/li>\n<li><a href=\"#esempio-semplice\">Capire attraverso un semplice esempio<\/a><\/li>\n<li><a href=\"#tavola\">La tavola del chi quadro<\/a><\/li>\n<li><a href=\"#casio-bonta\">Mi semplifico la vita usando una calcolatrice scientifica Casio<\/a><\/li>\n<li><a href=\"#r-bonta\">Uso R per il test della bont\u00e0 di adattamento<\/a><\/li>\n<li><a href=\"#test-di-indipendenza\">Il Test di Indipendenza<\/a><\/li>\n<li><a href=\"#casio-indipendenza\">Il Test di indipendenza con la Casio<\/a><\/li>\n<li><a href=\"#r-indipendenza\">Il test di indipendenza con R<\/a><\/li>\n<li><a href=\"#esempio-seo-ctr\">Un esempio SEO: il CTR dipende dal dispositivo?<\/a><\/li>\n<li><a href=\"#prova-tu\">Prova tu<\/a><\/li>\n<li><a href=\"#domande-frequenti\">Domande frequenti<\/a><\/li>\n<\/ul>\n<\/div>\n\n\n\n<hr class=\"wp-block-separator has-css-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"bonta-di-adattamento\">Il Test della bont\u00e0 di adattamento (<em>Goodness of Fit<\/em>)<\/h2>\n\n\n\n<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 pi\u00f9 di due.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I prerequisiti per poter effettuare il test sono molto semplici:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Il campione deve essere casuale;<\/li>\n\n\n\n<li>Le osservazioni devono essere indipendenti per il campione (una osservazione per soggetto); <\/li>\n\n\n\n<li>Nessuna frequenza <strong>attesa<\/strong> inferiore a 5. <br>Questo ultimo punto suona piuttosto criptico e merita qualche parola in pi\u00f9. Quando la vc \u00e8 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 \u00e8 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>\n<\/ol>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"esempio-semplice\">Capire attraverso un semplice esempio<\/h2>\n\n\n\n<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 \u00e8 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 pi\u00f9 \u00e8 il 20%.<\/p>\n\n\n\n<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 pi\u00f9 schede.<br><br>L&#8217;ipotesi nulla \u00e8 che le proporzioni da me riscontrate siano in linea con quelle dello studio ufficiale.<br>L&#8217;ipotesi alternativa \u00e8 ovviamente che i dati raccolti non confermino le proporzioni dello studio ufficiale.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Preparo la mia tabella inserendo i dati:<\/p>\n\n\n\n<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 pi\u00f9 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>\n\n\n\n<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 variabilit\u00e0 di campionamento al livello designato di significativit\u00e0.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La statistica \u03c7<sup>2<\/sup> calcolata dai dati campionari \u00e8 data da:<\/p>\n\n\n\n\\(\n\\chi^2=\\Sigma\\frac{(f_0-f_e)^2}{f_e}\\\\ \\\\\n\\)\n<p>\nf<sub>0<\/sub>=frequenze osservate <br>\nf<sub>e<\/sub>=frequenze attese <br>\n<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">I gradi di libert\u00e0 per il test di bont\u00e0 di adattamento sono il numero di categorie meno uno (la formula (r \u2212 1)(c \u2212 1) la incontreremo pi\u00f9 avanti, con il test di indipendenza):<\/p>\n\n\n\n\\(\ndf=k-1\\\\\n\\\\ \\\\\n\\)\n<p>\nk = numero di categorie (le colonne della nostra tabella)\n<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Usiamo come linee guida il nostro esempio. Partiamo dalle ipotesi:<\/p>\n\n\n\n\\(\nH_0=le\\ frequenze\\ sono\\ 0.5\\ 0.3\\ 0.2\\\\\nH_a=le\\ frequenze\\ non\\ sono\\ 0.5\\ 0.3\\ 0.2\\\\\n\\)\n\n\n\n<p>Abbiamo:<\/p>\n\\(\nn=150\\\\\ndf=3-1=2\\\\ \\\\\n\\)\n<p>Troviamo nelle tabelle il valore del \u03c7<sup>2<\/sup> critico (df=2, \u03b1=0.05)<br>\nIl valore risulta essere: <b>5.99<\/b>\n<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ora calcolo il valore del \u03c7<sup>2<\/sup> per i miei dati:<\/p>\n\n\n\n\\(\n\\chi^2=\\frac{(90-75)^2}{75}+\\frac{(30-45)^2}{45}+\\frac{(30-30)^2}{30}=\\\\\n=\\frac{225}{75}+\\frac{225}{45}+\\frac{0}{30}=\\\\\n=3+5\\\\\n=8\\\\\n\\)\n\n\n\n<p class=\"wp-block-paragraph\">Concludiamo allora (poich\u00e8 il valore calcolato risulta <strong>superiore al valore critico<\/strong>) che <strong>possiamo rifiutare l&#8217;ipotesi nulla al livello di significativit\u00e0 del 5%<\/strong>. Cio\u00e8: possiamo rifiutare l&#8217;asserzione che le frequenze siano distribuite secondo la proporzione 50%,30%,20%.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"tavola\">La tavola del chi quadro<\/h3>\n\n\n\n<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 libert\u00e0 e la colonna del livello di significativit\u00e0 scelto. Ecco le righe che servono pi\u00f9 spesso:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Gradi di libert\u00e0<\/th><th>\u03b1 = 0,05<\/th><th>\u03b1 = 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>\n\n\n\n<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>\n\n\n\n<pre class=\"wp-block-code\"><code>qchisq(0.95, df = 2)   # alfa = 0,05 con 2 gradi di liberta'\n# [1] 5.991465<\/code><\/pre>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"casio-bonta\">Mi semplifico la vita usando una calcolatrice scientifica Casio<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Con la mia calcolatrice fx mi basta scegliere da men\u00f9 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 sceglier\u00f2: <\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>[TEST]<br>[CHI]<br>[GoF]<br>Observed:List1<br>Expected:List2<br>df:2<br>[CALC]<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">e otterr\u00f2 sia il valore del chi quadrato, sia quello di p (in questo caso 0,01832 che \u00e8 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>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"r-bonta\">Uso R per il test della bont\u00e0 di adattamento<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">In R l&#8217;esempio indicato risulta ancora pi\u00f9 semplice da impostare:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>osservati&lt;-c(90,30,30)\nproporzione_attesa&lt;-c(0.5,0.3,0.2)\nchisq.test(osservati,p=proporzione_attesa,correct=FALSE)\n\ne il risultato sar\u00e0:\n\nChi-squared test for given probabilities\ndata:  osservati\nX-squared = 8, df = 2, p-value = 0.01832<\/code><\/pre>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"test-di-indipendenza\">Il Test di Indipendenza<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">E&#8217; comunemente usato per determinare se due fattori sono tra loro in relazione.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In genere, quello che vogliamo sapere \u00e8: &#8220;La variabile X \u00e8 indipendente dalla variabile Y ?<\/p>\n\n\n\n<p class=\"has-light-gray-background-color has-background wp-block-paragraph\">Attenzione: la risposta che otteniamo dal nostro test \u00e8 <strong>solo<\/strong> questa, non <strong>come <\/strong>sono relate le variabili.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nel caso del test della bont\u00e0 di adattamento vi \u00e8 <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>\n\n\n\n<p class=\"wp-block-paragraph\">I test di indipendenza, invece, implicano <strong>due variabili<\/strong> e l&#8217;<strong>oggetto del test<\/strong> \u00e8 proprio l&#8217;<strong>assunzione che le due variabili siano statisticamente indipendenti<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Poich\u00e8 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 et\u00e0 e sesso degli appassionati di un dato marchio commerciale:<\/p>\n\n\n\n<table class=\"font-size:11px;\"><tbody><tr><td><b>Et\u00e0<\/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>\n\n\n\n<p class=\"wp-block-paragraph\">Vogliamo testare l&#8217;ipotesi nulla che le due variabili<strong> qualitative<\/strong> sesso ed et\u00e0 siano indipendenti. Dunque, l&#8217;ipotesi alternativa prevede invece che esista una relazione tra le due variabili.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se l&#8217;ipotesi di indipendenza \u00e8 vera, fra la frequenza osservata di ciascuna casella e il totale delle frequenze osservate della riga e colonna in cui quella casella \u00e8 inclusa, devono esserci le stesse proporzioni esistenti fra il totale di colonna e di riga e la dimensione totale del campione.<\/p>\n\n\n\n\\(\nf_e=\\frac{\\Sigma_{riga}\\ \\Sigma_{colonna}}{n}\\\\\n\\\\ \\\\\ndf=(r-1)(c-1)\\\\\n\\\\ \\\\\n\\)\n\n\n\n<p class=\"wp-block-paragraph\">A questo punto procedo con il mio esempio:<\/p>\n\n\n\n\\(\nf_e=\\frac{\\Sigma_{riga}\\ \\Sigma_{colonna}}{n}=\\frac{120\\times 144}{210}=82,3\\\\\n\\)\n\n\n\n<div style=\"height:14px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<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>, cio\u00e8 <strong>la frequenza di una sola casella \u00e8 libera di variare<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Otterr\u00f2:<\/p>\n\n\n\n<table style=\"font-size:11px;\"><tbody><tr><td><b>Et\u00e0<\/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>\n<br>\n\n\n\n<div style=\"height:16px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n\\(\nH_0=sesso\\ e\\ anni\\ sono\\ indipendenti\\\\\nH_a=esiste\\ una\\ relazione\\ tra\\ sesso\\ e\\ anni\\\\\n\\\\ \\\\\ndf=(2-1)(2-1)=1\n\\)\n<br>\n<br>\n<p>\nScelgo un livello \u03b1=0.01 di significativit\u00e0\n<\/p>\n\n\n\n\\(\n\\chi^2_{critico}=6.63\\\\\n\\)\n\n\n\n<p class=\"wp-block-paragraph\">calcolo il valore del chi-quadro e trovo:<\/p>\n\n\n\n\\(\n\\chi^2=23.9\\\\\n\\)\n\n\n\n<p class=\"wp-block-paragraph\">Si rifiuta allora l&#8217;ipotesi nulla di indipendenza al livello di significativit\u00e0 dell&#8217;1%. Le variabili et\u00e0 e sesso sono dipendenti.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"casio-indipendenza\">Il Test di indipendenza con la Casio<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Per risolvere il mio esempio in maniera molto semplice con la mia Casio avrei potuto fare cos\u00ec:<\/p>\n\n\n\n<p>Carico i miei dati di tabella in una matrice, che chiamo A:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>[[66,54][78,12]]\u2192[OPTN][MAT][MAT][ALPHA][A]<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"block-bf13504e-9671-41f0-bff4-2df66f19200a\">A questo punto mi sposto nelle funzioni statistiche:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>[MENU][STAT]\n\n[TEST][CHI][2WAY]\n\nObserved:Mat A\n\nExpected:Mat B\n\n[CALC]<\/code><\/pre>\n\n\n\nIl risultato sar\u00e0:\n<br><br>\n\u03c7<sup>2<\/sup>=23.9299242<br>\np=9.9907e-07<br>\ndf=1<br>\n<br>\nCome si vede dal bassissimo valore di p, accolgo l&#8217;ipotesi alternativa e scarto l&#8217;ipotesi nulla.\n\n\n\n<h2 class=\"wp-block-heading\" id=\"r-indipendenza\">Il test di indipendenza con R<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Costruisco la mia tabella di contingenza<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>appassionati &lt;- matrix(c(66,54,78,12),ncol=2,byrow=TRUE)\n rownames(appassionati) &lt;- c(\"meno di 35\",\"35 o piu\")\n colnames(appassionati) &lt;- c(\"maschio\",\"femmina\")\n appassionati &lt;- as.table(appassionati)\n appassionati\n\nposso calcolare i totali di riga:\nmargin.table(appassionati,1)\n\ne quelli di colonna:\nmargin.table(appassionati,2)\n\nil gran totale \u00e8:\nmargin.table(appassionati)\n\nguardo i valori attesi:\nchisq.test(appassionati)$expected\n\ne testo l'ipotesi con:\nchisq.test(appassionati)<\/code><\/pre>\n\n\n\n<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>\n\n\n\n<p class=\"wp-block-paragraph\">(n.b. su una tabella 2\u00d72 R applica di default la <strong>correzione di continuit\u00e0 di Yates<\/strong>, e restituisce \u03c7\u00b2 = 22,48 invece del 23,93 calcolato a mano e con la Casio. Con <code>correct=FALSE<\/code> si ritrova il valore \u00abclassico\u00bb. La correzione rende il test pi\u00f9 prudente quando i conteggi sono piccoli; con campioni grandi la differenza diventa trascurabile.)<\/p>\n\n\n\n\n<h2 class=\"wp-block-heading\" id=\"esempio-seo-ctr\">Un esempio SEO: il CTR dipende dal dispositivo?<\/h2>\n\n\n\n<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 d\u00e0 il meglio di s\u00e9 nella pratica quotidiana di chi lavora con i dati di Search Console. Riprendiamo i numeri che abbiamo gi\u00e0 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 \u00e8 dunque 5,5% contro 2,5%: una differenza che sembra enorme, ma \u00e8 reale o potrebbe essere frutto del caso?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Formulata nel linguaggio di questo articolo, la domanda diventa: <strong>il click \u00e8 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>\n\n\n\n<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>\n\n\n\n<p class=\"wp-block-paragraph\">Le ipotesi sono le solite:<\/p>\n\n\n\n\\(\nH_0=click\\ e\\ dispositivo\\ sono\\ indipendenti\\\\\nH_a=esiste\\ una\\ relazione\\ tra\\ click\\ e\\ dispositivo\\\\\n\\)\n\n\n\n<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>\n\n\n\n<pre class=\"wp-block-code\"><code>ctr &lt;- matrix(c(550, 9450, 500, 19500), ncol=2, byrow=TRUE)\nrownames(ctr) &lt;- c(\"Desktop\", \"Mobile\")\ncolnames(ctr) &lt;- c(\"click\", \"no click\")\nchisq.test(ctr, correct=FALSE)\n\nil risultato sar\u00e0:\n\nPearson's Chi-squared test\ndata:  ctr\nX-squared = 177.65, df = 1, p-value &lt; 2.2e-16<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il p-value \u00e8 infinitesimale: rifiutiamo l&#8217;ipotesi nulla senza esitazioni. Il click <strong>dipende<\/strong> dal dispositivo, e la differenza tra i due CTR non \u00e8 attribuibile al caso.<\/p>\n\n\n\n<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\">\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" 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 \u00e8 ci\u00f2 che il \u03c7\u00b2 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=\"auto, (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 \u00e8 ci\u00f2 che il \u03c7\u00b2 misura.<\/figcaption><\/figure>\n\n<\/div><\/div>\n\n\n\n<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 significativit\u00e0 statistica ci dice che la differenza non \u00e8 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> \u00e8 forte l&#8217;associazione si usa la <strong>V di Cram\u00e9r<\/strong>, che va da 0 (nessuna associazione) a 1: qui vale \u221a(177,65 \/ 30.000) \u2248 <strong>0,08<\/strong>, un legame debole nonostante il p-value microscopico.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"prova-tu\">Prova tu<\/h2>\n\n\n\n<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>\n\n\n\n<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>\n\n\n\n<p class=\"wp-block-paragraph\">La domanda \u00e8 la stessa di prima: il click dipende dal tipo di query? L&#8217;esercizio consiste nel formulare le ipotesi, scegliere \u03b1=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 gi\u00e0 che ci siamo: quale dei due CTR (12% contro 3%) &#8220;tira&#8221; di pi\u00f9 il risultato? Un&#8217;occhiata alle frequenze attese con <code>chisq.test(...)$expected<\/code> aiuta a rispondere.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"domande-frequenti\">Domande frequenti<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Quando si usa il test del chi quadro?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Con dati categorici, cio\u00e8 conteggi di casi in categorie: per verificare se una variabile segue una distribuzione attesa (bont\u00e0 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;et\u00e0 \u00e8 cambiata?<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Che differenza c&#8217;\u00e8 tra chi quadro e chi quadrato?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Nessuna: sono due nomi dello stesso test, indicato con la lettera greca \u03c7\u00b2 (chi). \u00abChi quadro\u00bb \u00e8 la forma pi\u00f9 diffusa nel parlato e nelle ricerche, \u00abchi quadrato\u00bb quella pi\u00f9 usata nei manuali.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Come si calcolano i gradi di libert\u00e0 del chi quadro?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Nel test di bont\u00e0 di adattamento sono il numero di categorie meno uno (k \u2212 1). Nel test di indipendenza sono (righe \u2212 1) \u00d7 (colonne \u2212 1): una tabella 2\u00d72 ha un solo grado di libert\u00e0.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quali sono le condizioni per applicare il test?<\/h3>\n\n\n\n<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>\n\n\n\n<h3 class=\"wp-block-heading\">Perch\u00e9 R restituisce un chi quadro diverso dal calcolo a mano?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Perch\u00e9 sulle tabelle 2\u00d72 chisq.test() applica di default la correzione di continuit\u00e0 di Yates, che riduce leggermente la statistica. Con correct = FALSE si ottiene il valore classico.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Un p-value molto piccolo vuol dire che l&#8217;effetto \u00e8 grande?<\/h3>\n\n\n\n<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;intensit\u00e0 dell&#8217;associazione si usa la V di Cram\u00e9r, che va da 0 (nessuna associazione) a 1.<\/p>\n\n\n\n<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, cio\u00e8 conteggi di casi in categorie: per verificare se una variabile segue una distribuzione attesa (bont\u00e0 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'et\u00e0 \u00e8 cambiata?\"}}, {\"@type\": \"Question\", \"name\": \"Che differenza c'\u00e8 tra chi quadro e chi quadrato?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Nessuna: sono due nomi dello stesso test, indicato con la lettera greca \u03c7\u00b2 (chi). \u00abChi quadro\u00bb \u00e8 la forma pi\u00f9 diffusa nel parlato e nelle ricerche, \u00abchi quadrato\u00bb quella pi\u00f9 usata nei manuali.\"}}, {\"@type\": \"Question\", \"name\": \"Come si calcolano i gradi di libert\u00e0 del chi quadro?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Nel test di bont\u00e0 di adattamento sono il numero di categorie meno uno (k \u2212 1). Nel test di indipendenza sono (righe \u2212 1) \u00d7 (colonne \u2212 1): una tabella 2\u00d72 ha un solo grado di libert\u00e0.\"}}, {\"@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\": \"Perch\u00e9 R restituisce un chi quadro diverso dal calcolo a mano?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Perch\u00e9 sulle tabelle 2\u00d72 chisq.test() applica di default la correzione di continuit\u00e0 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 \u00e8 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'intensit\u00e0 dell'associazione si usa la V di Cram\u00e9r, che va da 0 (nessuna associazione) a 1.\"}}]}<\/script>\n\n\n\n<p class=\"wp-block-paragraph\">Una domanda per\u00f2 resta aperta, ed \u00e8 pi\u00f9 sottile di quanto sembri. Il test ci ha detto <em>che<\/em> la dipendenza esiste, e la V di Cram\u00e9r che \u00e8 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? \u00c8 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>\n\n\n<!-- internal-links-section -->\n<h3>Potrebbe interessarti anche<\/h3>\n<ul>\n<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>\n<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>\n<li><a href=\"https:\/\/www.gironi.it\/blog\/campionamento-e-dimensione-campionaria-quanti-dati-servono\/\">Campionamento e Dimensione Campionaria: Quanti Dati Servono?<\/a><\/li>\n<\/ul>\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h3 class=\"wp-block-heading\">Per approfondire<\/h3>\n\n\n\n<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>\n\n\n\n<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) \u00e8 il punto di partenza che consiglio.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Desktop 5,5% di CTR, mobile 2,5%. Una differenza che sembra enorme: ma \u00e8 reale, o con un altro mese di dati potrebbe sparire?Per rispondere con i numeri e non a sensazione c&#8217;\u00e8 uno dei test pi\u00f9 usati in assoluto, il test del chi quadro (o chi quadrato, \u03c7\u00b2). Il test del chi quadro fu proposto &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/il-test-del-chi-quadrato\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Il test del chi quadro (chi quadrato): bont\u00e0 di adattamento e indipendenza&#8221;<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[629],"tags":[741,743,745,747],"class_list":["post-1516","post","type-post","status-publish","format-standard","hentry","category-statistica-it","tag-chi-quadrato-it","tag-goodness-of-fit-it","tag-test-adattamento-it","tag-test-indipendenza-it"],"lang":"it","translations":{"it":1516,"en":3344},"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"paolo","author_link":"https:\/\/www.gironi.it\/blog\/author\/paolo\/"},"uagb_comment_info":9,"uagb_excerpt":"Desktop 5,5% di CTR, mobile 2,5%. Una differenza che sembra enorme: ma \u00e8 reale, o con un altro mese di dati potrebbe sparire?Per rispondere con i numeri e non a sensazione c&#8217;\u00e8 uno dei test pi\u00f9 usati in assoluto, il test del chi quadro (o chi quadrato, \u03c7\u00b2). Il test del chi quadro fu proposto&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/1516","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=1516"}],"version-history":[{"count":5,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/1516\/revisions"}],"predecessor-version":[{"id":4473,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/1516\/revisions\/4473"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=1516"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=1516"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=1516"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}