Il termine “analisi della varianza” suona controintuitivo: stiamo confrontando medie, non varianze. Il nome deriva dal modo in cui il test usa le varianze per determinare se le medie sono diverse. ANOVA confronta la varianza delle medie tra<\/em> i gruppi (componente between<\/em>) con la varianza all’interno dei singoli gruppi (componente within<\/em>). Se la prima \u00e8 sufficientemente pi\u00f9 grande della seconda, abbiamo evidenza che i gruppi non sono equivalenti.<\/p>\n\n\n\n Immagina tre classi scolastiche. In ogni classe gli studenti hanno voti piuttosto omogenei (bassa varianza interna), ma le medie delle tre classi sono molto diverse tra loro (alta varianza tra gruppi). In questo caso \u00e8 facile concludere che le classi sono realmente differenti.<\/p>\n\n\n\n Se invece all’interno di ogni classe i voti oscillano enormemente \u2014 studenti bravissimi accanto a studenti in difficolt\u00e0 \u2014 distinguere una classe dall’altra diventa molto pi\u00f9 difficile, anche se le medie sembrano diverse. La variabilit\u00e0 interna “copre” le differenze tra i gruppi.<\/p>\n\n\n\n Questa \u00e8, in fondo, tutta l’ANOVA: un rapporto tra la variabilit\u00e0 tra<\/em> i gruppi e la variabilit\u00e0 dentro<\/em> i gruppi. Quando la prima domina nettamente sulla seconda, il valore di F cresce e abbiamo evidenza contro l’ipotesi nulla.<\/p>\n\n\n\n ANOVA \u00e8 un test di tipo parametrico. Richiede che siano soddisfatti alcuni requisiti:<\/p>\n\n\n\n Una domanda che viene naturale: perch\u00e9 usare ANOVA quando potremmo semplicemente confrontare ogni coppia di gruppi con un t-test?<\/p>\n\n\n\n Il problema non \u00e8 la noia di eseguire molti test. Il problema \u00e8 che ogni test statistico ha una probabilit\u00e0 \u03b1 di produrre un falso positivo<\/strong> (errore di Tipo I). Se eseguiamo molti test indipendenti, queste probabilit\u00e0 si accumulano.<\/p>\n\n\n\n Per k gruppi, il numero di confronti a coppie \u00e8:<\/p>\n\n\n\n\\( n = \\frac{k(k-1)}{2} \\\\ \\)\n\n\n\n Con 4 gruppi sarebbero 6 t-test. La probabilit\u00e0 di commettere almeno un<\/em> errore di Tipo I diventa:<\/p>\n\n\n\n\\( 1 – (1 – \\alpha)^n \\\\ \\)\n\n\n\n Con \u03b1 = 0,05 e n = 6:<\/p>\n\n\n\n\\( 1 – (1 – 0,05)^6 = 1 – 0,735 = 0,265 \\\\ \\)\n\n\n\n Il 26,5%: pi\u00f9 di una volta su quattro. Inaccettabile.<\/p>\n\n\n\n Quando confrontiamo tre o pi\u00f9 gruppi, ANOVA \u00e8 da preferire<\/strong> perch\u00e9 esegue un unico test con un unico \u03b1, controllando l’errore complessivo.<\/p>\n\n\n\n L’ANOVA a un fattore (one-way) \u00e8 la forma pi\u00f9 semplice. I dati sono organizzati in gruppi sulla base di un’unica variabile categoriale (il fattore). La domanda \u00e8:<\/p>\n\n\n\n > Le differenze osservate tra le medie sono troppo grandi per essere attribuite al caso?<\/p>\n\n\n\n Formalizziamo le ipotesi:<\/p>\n\n\n\n\\( H_0: \\mu_1 = \\mu_2 = \\dots = \\mu_k \\\\ \\)\n\n\n\n\\( H_a: \\text{almeno una media \u00e8 diversa dalle altre} \\\\ \\)\n\n\n\n Attenzione<\/strong>: ANOVA ci dice SE esiste una differenza, non DOVE si trova. Per individuare quali gruppi differiscono serve un test post-hoc<\/em>, che vedremo tra poco.<\/p>\n<\/div><\/div>\n\n\n\n Il cuore dell’ANOVA \u00e8 il rapporto F:<\/p>\n\n\n\n\\( F = \\frac{\\text{varianza tra i gruppi}}{\\text{varianza dentro i gruppi}} = \\frac{MS_b}{MS_e} \\\\ \\)\n\n\n\n Se l’ipotesi nulla \u00e8 vera, sia \\( MS_b \\) che \\( MS_e \\) stimano la stessa varianza, e F \u00e8 vicino a 1. Se F \u00e8 significativamente maggiore di 1, abbiamo evidenza che le medie non sono tutte uguali.<\/p>\n\n\n\n ANOVA \u00e8 stata sviluppata da Ronald Fisher<\/strong> negli anni venti. La statistica F su cui si basa \u00e8 chiamata proprio in suo onore distribuzione F di Fisher<\/strong>.<\/p>\n<\/div><\/div>\n\n\n\n Prendiamo un caso concreto. Vogliamo sapere se il tipo di dispositivo (desktop, mobile, tablet) influenza gli obiettivi completati sul sito. Seguiamo i dati mensili per 6 mesi:<\/p>\n\n\n\n Calcoliamo le medie di gruppo:<\/p>\n\n\n\n\\( \\bar{x}_{\\text{desktop}} = 56 \\quad \\bar{x}_{\\text{mobile}} = 49,3 \\quad \\bar{x}_{\\text{tablet}} = 35,8 \\\\ \\)\n\n\n\n E la grande media<\/strong> (media di tutte le osservazioni): \\( \\bar{x} = 47 \\).<\/p>\n\n\n\n Per capire da dove nasce la statistica F, dobbiamo scomporre la variabilit\u00e0 totale in due parti: la variabilit\u00e0 tra<\/em> i gruppi e la variabilit\u00e0 dentro<\/em> i gruppi. Senza entrare nei singoli calcoli \u2014 nessuno li fa pi\u00f9 a mano, come vedremo tra poco \u2014 da queste si ottengono le rispettive varianze (Mean Squares) e infine il rapporto F.<\/p>\n\n\n\n Il valore F = 4,86 supera il valore critico (3,68 per df = 2,15 e \u03b1 = 0,05). Con un p-value di 0,0236<\/strong>, rifiutiamo l’ipotesi nulla: almeno un dispositivo ha una media diversa dagli altri.<\/p>\n\n\n\n Il p-value in ANOVA si legge come in ogni test di ipotesi: \u00e8 la probabilit\u00e0 di osservare un valore di F uguale o pi\u00f9 estremo di quello ottenuto, assumendo che H\u2080 sia vera. Un p-value piccolo (tipicamente < 0,05) ci dice che le differenze osservate sono difficilmente attribuibili al caso.<\/p>\n\n\n\n Ma attenzione: significativit\u00e0 statistica non significa importanza pratica<\/strong>. Un p-value molto piccolo pu\u00f2 nascondere un effetto trascurabile, se il campione \u00e8 grande. Per questo serve l’effect size.<\/p>\n\n\n\n Il p-value ci dice se<\/em> una differenza esiste. L’eta-quadro ci dice quanto<\/em> \u00e8 grande.<\/p>\n\n\n\n\\( \\eta^2 = \\frac{SS_b}{SS_{\\text{totale}}} = \\frac{1266,4}{3220,6} \\approx 0,39 \\\\ \\)\n\n\n\n Un p-value molto piccolo ci dice che una differenza probabilmente esiste. Ma non ci dice se quella differenza \u00e8 grande oppure trascurabile. Per questo \u00e8 buona pratica accompagnare sempre ANOVA con una misura dell’ampiezza dell’effetto.<\/p>\n<\/div><\/div>\n\n\n\n Regole di thumb per \u03b7\u00b2:<\/p>\n\n\n\n Il nostro \u03b7\u00b2 = 0,39 \u00e8 un effetto molto grande: il tipo di dispositivo spiega il 39% della variabilit\u00e0 negli obiettivi.<\/p>\n\n\n\n ANOVA ci dice che esiste una differenza, ma non quali gruppi differiscono tra loro. Per rispondere a questa domanda servono i test post-hoc<\/strong>.<\/p>\n\n\n\n Il pi\u00f9 comune \u00e8 il Tukey HSD<\/strong> (Honestly Significant Difference), che confronta tutte le coppie di medie correggendo per i confronti multipli.<\/p>\n\n\n\n Nel nostro esempio, Tukey HSD ci direbbe che la differenza significativa \u00e8 tra tablet e desktop, mentre le altre coppie non raggiungono la significativit\u00e0.<\/p>\n\n\n\n Mettiamo ANOVA al lavoro su una domanda che chiunque guardi i dati di un sito si pone: gli utenti che arrivano da canali diversi si comportano in modo diverso?<\/p>\n\n\n\n Abbiamo il tempo sulla pagina (in secondi) di 8 sessioni per ciascuno di quattro canali:<\/p>\n\n\n\n Calcoliamo in R:<\/p>\n\n\n\n Il valore di F \u00e8 46,82 e il p-value \u00e8 dell’ordine di 10\u207b\u00b9\u00b9: ben al di sotto di qualsiasi soglia. Rifiutiamo l’ipotesi nulla: almeno un canale<\/strong> si comporta diversamente.<\/p>\n\n\n\n Guardiamo le medie:<\/p>\n\n\n\n L’organico \u00e8 il canale pi\u00f9 coinvolto (100 secondi), seguito dal diretto (93). Il social si ferma a 52 secondi \u2014 il traffico da feed tende a rimbalzare in fretta.<\/p>\n\n\n\n Calcoliamo l’\u03b7\u00b2 per capire la grandezza dell’effetto:<\/p>\n\n\n\n 0,83<\/strong>: il canale spiega l’83% della variabilit\u00e0 nei tempi. Un effetto enorme. In ambito reale valori cos\u00ec elevati sono piuttosto rari: l’esempio \u00e8 volutamente costruito per rendere evidente il funzionamento del metodo.<\/p>\n\n\n\n Il test post-hoc conferma che le differenze significative sono tutte quelle che coinvolgono paid e social rispetto a organico e diretto. Tra organico e diretto, invece, la differenza non \u00e8 statisticamente significativa.<\/p>\n\n\n\n Prima di fidarsi dei risultati, \u00e8 bene verificare le assunzioni:<\/p>\n\n\n\n Normalit\u00e0 dei residui:<\/strong><\/p>\n\n\n\n Omogeneit\u00e0 delle varianze (omoschedasticit\u00e0):<\/strong><\/p>\n\n\n\n Se queste assunzioni sono violate, si possono usare alternative non parametriche come il test di Kruskal-Wallis<\/strong>.<\/p>\n\n\n\n Nessuno calcola a mano una tabella ANOVA. Programmi come R, Python (scipy.stats), SPSS o Jamovi eseguono il calcolo in pochi istanti. Comprendere cosa rappresentano le diverse componenti \u2014 la scomposizione della varianza, il rapporto F, i gradi di libert\u00e0 \u2014 rimane essenziale per interpretare correttamente il risultato.<\/p>\n\n\n\n Un e-commerce ha fatto girare tre campagne (A, B, C) e vuole sapere se il valore medio dell’ordine cambia in modo significativo.<\/p>\n\n\n\n Esegui il test, leggi F e p-value, calcola \u03b7\u00b2.<\/p>\n\n\n\n F = 10,77<\/strong>, p = 0,0006<\/strong>, \u03b7\u00b2 = 0,44<\/strong>. La campagna B (media 50,5 \u20ac) performa meglio di A (43,2 \u20ac) e C (44,4 \u20ac), e la differenza \u00e8 statisticamente significativa. Tukey HSD lo confermerebbe puntando il dito su B.<\/p>\n\n\n\n ANOVA funziona con soli due gruppi?<\/strong> Cosa significa “a una via” e “a due vie”?<\/strong> Posso usare ANOVA con campioni piccoli?<\/strong> ANOVA \u00e8 una di quelle idee che, una volta capite, si vedono ovunque: ogni volta che confrontiamo una metrica continua tra pi\u00f9 gruppi \u2014 canali, dispositivi, varianti, periodi \u2014 \u00e8 lo strumento giusto per non confondere il rumore con il segnale. E non \u00e8 un’isola: sotto il cofano, l’analisi della varianza e la regressione lineare sono lo stesso identico modello, visto da due angolazioni diverse. Una curiosit\u00e0 interessante: ANOVA e regressione lineare non sono tecniche separate. Cambia il modo di codificare le variabili, ma il cuore del metodo rimane identico. \u00c8 da quel modello \u2014 il modello lineare \u2014 che passa la parte pi\u00f9 potente della statistica applicata, ed \u00e8 l\u00ec che il nostro percorso continua.<\/p>\n\n\n\n L’analisi della varianza \u00e8 trattata in tutte le sue forme \u2014 a una via, a due vie, con misure ripetute \u2014 in Statistica<\/em> di Newbold, Carlson e Thorne, per chi vuole andare oltre l’introduzione di questo articolo. Amazon<\/a><\/p>\n","protected":false},"excerpt":{"rendered":" Hai tre campagne Google Ads. Oppure quattro landing page. O ancora cinque versioni di una newsletter. Le medie sembrano diverse, ma sono differenze reali o semplice rumore statistico? \u00c8 esattamente il problema che risolve l’analisi della varianza (ANOVA): stabilire se almeno uno dei gruppi \u00e8 realmente diverso dagli altri, senza cadere nella trappola di eseguire … Leggi tutto “L’analisi della varianza: ANOVA spiegata semplice”<\/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":[681,683,685,687],"class_list":["post-2342","post","type-post","status-publish","format-standard","hentry","category-statistica-it","tag-analisi-della-varianza-it","tag-anova-it","tag-test-parametrici-it","tag-test-statistico-it"],"lang":"it","translations":{"it":2342,"en":3303},"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":7,"uagb_excerpt":"Hai tre campagne Google Ads. Oppure quattro landing page. O ancora cinque versioni di una newsletter. Le medie sembrano diverse, ma sono differenze reali o semplice rumore statistico? \u00c8 esattamente il problema che risolve l’analisi della varianza (ANOVA): stabilire se almeno uno dei gruppi \u00e8 realmente diverso dagli altri, senza cadere nella trappola di eseguire…","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2342","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=2342"}],"version-history":[{"count":6,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2342\/revisions"}],"predecessor-version":[{"id":4199,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2342\/revisions\/4199"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=2342"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=2342"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=2342"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}L’intuizione in una metafora<\/h2>\n\n\n\n
Quando usare ANOVA<\/h2>\n\n\n\n
Perch\u00e9 ANOVA e non una serie di t-test?<\/h2>\n\n\n\n
Il caso pi\u00f9 semplice: ANOVA a una via<\/h2>\n\n\n\n
Come interpretare il valore F<\/h2>\n\n\n\n
![\"Distribuzione](\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/distribuzione-f.png\")
Un esempio passo-passo<\/h2>\n\n\n\n
Desktop<\/th> Mobile<\/th> Tablet<\/th><\/tr><\/thead> 39<\/td> 45<\/td> 30<\/td><\/tr> 67<\/td> 54<\/td> 45<\/td><\/tr> 78<\/td> 64<\/td> 22<\/td><\/tr> 59<\/td> 52<\/td> 39<\/td><\/tr> 42<\/td> 46<\/td> 38<\/td><\/tr> 51<\/td> 35<\/td> 41<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Fonte<\/th> SQ<\/th> df<\/th> MQ<\/th> F<\/th> p<\/th><\/tr><\/thead> Device (between)<\/td> 1266,4<\/td> 2<\/td> 633,2<\/td> 4,86<\/strong><\/td> 0,0236<\/strong><\/td><\/tr> Residuo (within)<\/td> 1954,2<\/td> 15<\/td> 130,3<\/td> <\/td> <\/td><\/tr> Totale<\/td> 3220,6<\/td> 17<\/td> <\/td> <\/td> <\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Come interpretare il p-value<\/h2>\n\n\n\n
L’effect size: l’\u03b7\u00b2 (eta-quadro)<\/h2>\n\n\n\n
Cosa fare dopo ANOVA: i test post-hoc<\/h2>\n\n\n\n
Un caso pratico SEO: il tempo sulla pagina dipende dal canale?<\/h2>\n\n\n\n
organico <- c(98, 112, 85, 105, 92, 120, 88, 101)\ndiretto <- c(90, 102, 78, 95, 110, 84, 99, 88)\npaid <- c(72, 65, 80, 58, 70, 75, 62, 68)\nsocial <- c(55, 48, 62, 50, 44, 58, 52, 46)\n\ntempo <- c(organico, diretto, paid, social)\ncanale <- factor(rep(c(\"organico\",\"diretto\",\"paid\",\"social\"), each = 8))<\/code><\/pre>\n\n\n\nsummary(aov(tempo ~ canale))<\/code><\/pre>\n\n\n\n Df Sum Sq Mean Sq F value Pr(>F)\ncanale 3 11913 3971 46.82 4.89e-11 ***\nResiduals 28 2375 85<\/code><\/pre>\n\n\n\ntapply(tempo, canale, mean)<\/code><\/pre>\n\n\n\n diretto organico paid social\n 93.2 100.1 68.8 51.9<\/code><\/pre>\n\n\n\n11913 \/ (11913 + 2375) # \u2248 0,83<\/code><\/pre>\n\n\n\nTukeyHSD(aov(tempo ~ canale))<\/code><\/pre>\n\n\n\n diff lwr upr p adj\ndiretto-organico -6.875 -24.423 10.6730 0.7165876\npaid-organico -31.250 -48.798 -13.7020 0.0003217\nsocial-organico -48.250 -65.798 -30.7020 0.0000001\npaid-diretto -24.375 -41.923 -6.8270 0.0041674\nsocial-diretto -41.375 -58.923 -23.8270 0.0000073\nsocial-paid -17.000 -34.548 0.5480 0.0598936<\/code><\/pre>\n\n\n\nIpotesi del test ANOVA: verifica<\/h2>\n\n\n\n
modello <- aov(tempo ~ canale)\nshapiro.test(residuals(modello))<\/code><\/pre>\n\n\n\nbartlett.test(tempo ~ canale)<\/code><\/pre>\n\n\n\nNella pratica quotidiana<\/h2>\n\n\n\n
Prova tu<\/h2>\n\n\n\n
camp_A <- c(42, 38, 45, 50, 41, 47, 39, 44)\ncamp_B <- c(48, 52, 46, 55, 50, 53, 49, 51)\ncamp_C <- c(44, 40, 49, 43, 46, 41, 45, 47)\n\nvalore <- c(camp_A, camp_B, camp_C)\ncampagna <- factor(rep(c(\"A\",\"B\",\"C\"), each = 8))\nsummary(aov(valore ~ campagna))<\/code><\/pre>\n\n\n\nFAQ<\/h2>\n\n\n\n
S\u00ec, ma in quel caso \u00e8 equivalente al t-test a due code (e F = t\u00b2).<\/p>\n\n\n\n
A una via: un solo fattore (es. canale). A due vie: due fattori contemporaneamente (es. canale \u00d7 dispositivo), che permette di studiare anche l’interazione tra loro.<\/p>\n\n\n\n
S\u00ec, ma verifica normalit\u00e0 e omoschedasticit\u00e0. Con gruppi di dimensione diversa, ANOVA \u00e8 comunque robusta se gli scarti non sono estremi.<\/p>\n\n\n\n
\n\n\n\n
\n\n\n\nPer approfondire<\/h3>\n\n\n\n