{"id":4580,"date":"2026-11-08T17:38:42","date_gmt":"2026-11-08T16:38:42","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=4580"},"modified":"2026-11-12T10:41:36","modified_gmt":"2026-11-12T09:41:36","slug":"sovradispersione","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/sovradispersione\/","title":{"rendered":"Quando i clic variano pi\u00f9 del previsto: la sovradispersione"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Un grafico anno su anno, i clic organici in calo del 3,6%, e accanto un intervallo di confidenza strettissimo: da \u22124,7% a \u22122,5%. Il p-value \u00e8 dell&#8217;ordine di un decimiliardesimo. Tutto sembra dire che il calo \u00e8 reale, e che ora bisogna trovarne la causa. <br>Eppure i numeri di questo esempio vengono da una simulazione in cui, per costruzione, <strong>non \u00e8 cambiato nulla<\/strong>. Il calo \u00e8 rumore, e il test non se n&#8217;\u00e8 accorto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il colpevole non \u00e8 il test, ma un&#8217;ipotesi che gli abbiamo dato per buona senza controllarla: che i clic di un giorno siano un&#8217;estrazione da una Poisson. Abbiamo usato la Poisson nel <a href=\"https:\/\/www.gironi.it\/blog\/confrontare-conteggi-poisson\/\">confronto fra due periodi con i conteggi<\/a>, su richieste e moduli. Sui clic giornalieri, sulle sessioni, sulle impressioni, l&#8217;ipotesi va controllata prima di fidarsi, e molto spesso non regge. Il motivo ha un nome, <strong>sovradispersione<\/strong>, e la cura costa due righe di R.<\/p>\n\n\n\n<!--more-->\n\n\n\n<p class=\"wp-block-paragraph\"><strong>In sintesi:<\/strong> nella Poisson la varianza \u00e8 uguale alla media. Nei dati web giornalieri la varianza \u00e8 quasi sempre molto pi\u00f9 grande, per via dei giorni della settimana, della stagione, dei picchi e dei bot. Quando succede, gli intervalli costruiti come Poisson sono <strong>troppo stretti<\/strong> e i p-value <strong>troppo piccoli<\/strong>. Il controllo \u00e8 un rapporto: la somma dei residui di Pearson al quadrato divisa per i gradi di libert\u00e0, che dovrebbe stare intorno a 1. Nel nostro esempio vale 23. Le due cure sono la <strong>quasi-Poisson<\/strong>, che allarga gli errori standard della radice di quel fattore, e la <strong>binomiale negativa<\/strong>, 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.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Di cosa parleremo<\/strong>:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><a href=\"#promessa\">La promessa della Poisson: varianza uguale alla media<\/a><\/li><li><a href=\"#diagnosi\">Come accorgersene<\/a><\/li><li><a href=\"#quasi\">Prima cura: la quasi-Poisson<\/a><\/li><li><a href=\"#binomiale-negativa\">Seconda cura: la binomiale negativa<\/a><\/li><li><a href=\"#struttura\">Una parte della varianza non \u00e8 sovradispersione<\/a><\/li><li><a href=\"#calo-vero\">Quando il calo c&#8217;\u00e8 davvero<\/a><\/li><li><a href=\"#ctr\">Lo stesso problema con le proporzioni: il CTR<\/a><\/li><li><a href=\"#domande-frequenti\">Domande frequenti<\/a><\/li><li><a href=\"#prova-tu\">Prova tu<\/a><\/li><li><a href=\"#per-approfondire\">Per approfondire<\/a><\/li><\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"promessa\">La promessa della Poisson: varianza uguale alla media<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La <a href=\"https:\/\/www.gironi.it\/blog\/la-distribuzione-di-poisson\/\">distribuzione di Poisson<\/a> ha una propriet\u00e0 che la rende comodissima: un solo parametro descrive tutto. Se un fenomeno produce in media 165 eventi al giorno, la sua varianza \u00e8 165, e la sua oscillazione tipica \u00e8 la radice quadrata di 165, cio\u00e8 circa 13 eventi. <br>Non c&#8217;\u00e8 bisogno di stimare la variabilit\u00e0 a parte: la media se la porta dietro.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 una promessa impegnativa, e regge solo se gli eventi sono indipendenti e il ritmo \u00e8 costante. Pensiamo ai clic organici di un sito. Il luned\u00ec sono pi\u00f9 del sabato, d&#8217;estate sono meno che in autunno, una newsletter o un articolo ripreso da un quotidiano raddoppiano una giornata, un bot ne gonfia un&#8217;altra. <strong>Ogni giorno ha un suo ritmo, e i ritmi sono diversi fra loro<\/strong>: il conteggio giornaliero non \u00e8 una Poisson con una media sola, ma un miscuglio di Poisson con medie diverse. E un miscuglio varia sempre pi\u00f9 dei suoi componenti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">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 stagionalit\u00e0 del \u00b116% e dodici giorni di picco fra il doppio e il quadruplo del normale. Sopra questa struttura aggiungiamo un&#8217;ulteriore variabilit\u00e0 casuale, quella che nei dati veri portano bot, pagine nuove e SERP che cambiano. Il punto chiave \u00e8 uno: <strong>nel meccanismo che genera i dati non c&#8217;\u00e8 alcun effetto del periodo<\/strong>. I due anni (pi\u00f9 precisamente, due periodi consecutivi di 365 giorni) hanno lo stesso ritmo di fondo, e la differenza che vedremo fra il primo e il secondo \u00e8 prodotta dal caso: dai picchi, che cadono dove capita, e dalla variabilit\u00e0 giornaliera.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Costruisco i dati in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>library(MASS)\nset.seed(2026)\n\ngiorno     &lt;- seq.Date(as.Date(\"2023-01-02\"), by = \"day\", length.out = 730)\nsuccessivo &lt;- as.integer(seq_along(giorno) &gt; 365)   # 0 = anno scorso, 1 = quest'anno\nsettimana  &lt;- as.integer(format(giorno, \"%u\"))      # 1 = luned\u00ec ... 7 = domenica\n\nsimula &lt;- function(calo) {\n  fattore_giorno &lt;- c(1.14, 1.15, 1.12, 1.10, 0.96, 0.70, 0.66)\n  stagione &lt;- 1 + 0.16 * sin(2 * pi * seq_along(giorno) \/ 365 - pi \/ 2)\n  picchi &lt;- rep(1, 730)\n  picchi[sample(730, 12)] &lt;- runif(12, 2, 4)        # 12 giorni di campagna o di picco\n  media &lt;- 165 * ifelse(successivo == 1, calo, 1) *\n    fattore_giorno[settimana] * stagione * picchi\n  data.frame(clic = rnbinom(730, mu = media, size = 30), successivo, settimana,\n             picco = picchi &gt; 1)\n}\n\ndati &lt;- simula(calo = 1)    # nella simulazione non cambia nulla<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;argomento <code>calo<\/code> ci servir\u00e0 pi\u00f9 avanti: con <code>calo = 1<\/code> i due anni hanno lo stesso ritmo, con <code>calo = 0.88<\/code> il secondo anno perde davvero il 12%. La colonna <code>picco<\/code> segna i dodici giorni speciali: nei dati veri corrisponderebbe al calendario delle campagne, e ci torner\u00e0 utile alla fine.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"diagnosi\">Come accorgersene<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La prima occhiata \u00e8 la pi\u00f9 semplice: confrontiamo la media e la varianza dei conteggi giornalieri. Se la Poisson fosse adeguata, il loro rapporto, che si chiama <strong>indice di dispersione<\/strong>, dovrebbe stare intorno a 1.<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>mean(dati$clic)\nvar(dati$clic)\nvar(dati$clic) \/ mean(dati$clic)\ntapply(dati$clic, dati$successivo, mean)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La media \u00e8 164,5 clic al giorno, la varianza 3.823. Il rapporto \u00e8 <strong>23,2<\/strong>: la varianza \u00e8 ventitr\u00e9 volte quella che la Poisson promette. <br>L&#8217;ultima riga ci d\u00e0 le medie dei due anni, 167,5 e 161,5 clic al giorno, cio\u00e8 il calo del 3,6% da cui siamo partiti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;indice grezzo per\u00f2 mescola due cose, e lo vedremo fra poco: la variabilit\u00e0 che viene da una struttura nota (il giorno della settimana, la stagione) e quella che resta anche dopo averne tenuto conto. Il controllo pi\u00f9 corretto si fa sul modello che useremo per il confronto, non sui dati grezzi. Stimiamo il confronto anno su anno come regressione di Poisson, cio\u00e8 un modello lineare generalizzato (la stessa famiglia della <a href=\"https:\/\/www.gironi.it\/blog\/la-regressione-logistica\/\">regressione logistica<\/a>) in cui il logaritmo del ritmo atteso dipende dall&#8217;anno.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per ogni giorno, il modello ci dice quanti clic si aspettava. Lo scarto fra osservato e atteso, diviso per l&#8217;oscillazione che la Poisson prevede, si chiama <strong>residuo di Pearson<\/strong>:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\\(r_i = \\frac{y_i-\\hat{\\mu}_i}{\\sqrt{\\hat{\\mu}_i}}\\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">dove y\u1d62 sono i clic osservati nel giorno i e \u03bc\u0302\u1d62 quelli attesi dal modello. Al denominatore c&#8217;\u00e8 la radice della media perch\u00e9, nella Poisson, quella \u00e8 la deviazione standard. Se il modello \u00e8 giusto, ogni residuo al quadrato vale in media circa 1 (un po&#8217; meno, perch\u00e9 le medie attese le abbiamo stimate sugli stessi dati: \u00e8 il motivo per cui si divide per i gradi di libert\u00e0 e non per il numero di giorni). Dunque la loro somma divisa per i gradi di libert\u00e0, che chiamiamo <strong>fattore di dispersione<\/strong> \u03c6, sta intorno a 1:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\\(\\hat{\\varphi} = \\frac{1}{n-p} \\sum_{i=1}^{n} r_i^2\\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">dove n sono i giorni (730) e p i parametri del modello (2: l&#8217;intercetta e l&#8217;anno). Lo calcoliamo in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>m_pois &lt;- glm(clic ~ successivo, family = poisson, data = dati)\nphi &lt;- sum(residuals(m_pois, type = \"pearson\")^2) \/ m_pois$df.residual\nphi\nm_pois$deviance \/ m_pois$df.residual\npchisq(m_pois$deviance, m_pois$df.residual, lower.tail = FALSE)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il fattore di dispersione \u00e8 <strong>23,2<\/strong>, praticamente identico all&#8217;indice grezzo (con un modello cos\u00ec semplice era da aspettarselo). Il secondo numero stampato \u00e8 una variante dello stesso controllo, che usa la devianza al posto dei residui di Pearson: d\u00e0 20,2, stessa sostanza. <br>Il terzo \u00e8 un test formale: se il modello di Poisson fosse adeguato, la devianza seguirebbe approssimativamente una chi-quadrato con 728 gradi di libert\u00e0 (l&#8217;approssimazione \u00e8 buona con conteggi grandi come questi, meno con pochi eventi al giorno). R restituisce 0: il p-value \u00e8 cos\u00ec piccolo da uscire dalla precisione della macchina, non \u00e8 uno zero vero. n.b.: il test dice che <em>quel<\/em> modello non va, non perch\u00e9. Pu\u00f2 essere la varianza, ma anche una media specificata male o giorni non indipendenti fra loro.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ora guardiamo che cosa ci dice il modello di Poisson sul confronto. Una piccola funzione traduce il coefficiente dell&#8217;anno in variazione percentuale, con il suo intervallo al 95% e il p-value:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>variazione &lt;- function(m) {\n  s  &lt;- summary(m)$coefficients[\"successivo\", ]\n  ic &lt;- s[1] + c(-1, 1) * qnorm(0.975) * s[2]\n  data.frame(variazione = round(100 * (exp(s[[1]]) - 1), 2),\n             da = round(100 * (exp(ic[1]) - 1), 2),\n             a  = round(100 * (exp(ic[2]) - 1), 2),\n             p  = signif(s[[4]], 3))\n}\nvariazione(m_pois)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il risultato \u00e8 quello dell&#8217;apertura: <strong>\u22123,57%, con intervallo da \u22124,66% a \u22122,48% e p-value 2,9\u00d710\u207b\u00b9\u2070<\/strong>. Un calo che non esiste, presentato con una sicurezza assoluta.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"quasi\">Prima cura: la quasi-Poisson<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;idea pi\u00f9 semplice \u00e8 anche la pi\u00f9 vecchia: se la varianza \u00e8 \u03c6 volte quella della Poisson, teniamo il modello cos\u00ec com&#8217;\u00e8 e <strong>gonfiamo gli errori standard della radice di \u03c6<\/strong>. I coefficienti restano identici, cambia solo l&#8217;incertezza che attribuiamo loro. \u00c8 la <strong>quasi-Poisson<\/strong>, e in R basta cambiare una parola:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>m_quasi &lt;- glm(clic ~ successivo, family = quasipoisson, data = dati)\nsummary(m_quasi)$dispersion\nvariazione(m_quasi)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La dispersione stimata \u00e8 23,2, la stessa che abbiamo calcolato a mano. La radice di 23,2 \u00e8 4,8, e infatti l&#8217;intervallo diventa circa 4,8 volte pi\u00f9 largo (per semplicit\u00e0 la nostra funzione usa la normale per tutti e tre i modelli; con la t di Student, che <code>summary()<\/code> usa per il p-value della quasi-Poisson, cambierebbe solo la seconda cifra decimale): <strong>da \u22128,69% a +1,83%, p-value 0,19<\/strong>. La stima centrale non si \u00e8 mossa, sempre \u22123,57%. Ma ora l&#8217;intervallo comprende lo zero, e il calo torna a essere quello che \u00e8: un&#8217;oscillazione compatibile con il caso.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il prezzo della quasi-Poisson \u00e8 che non \u00e8 un vero modello probabilistico: non c&#8217;\u00e8 una distribuzione dietro, solo una correzione della varianza (per questo \u00abquasi\u00bb). Non ha una verosimiglianza vera n\u00e9 un AIC, e quindi i modelli non si confrontano con gli strumenti abituali (resta il test F fra modelli annidati, con <code>anova(m1, m2, test = \"F\")<\/code>). Per un confronto fra due periodi, comunque, \u00e8 spesso tutto quello che serve.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"binomiale-negativa\">Seconda cura: la binomiale negativa<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La strada alternativa \u00e8 cambiare distribuzione. La <a href=\"https:\/\/www.gironi.it\/blog\/la-distribuzione-binomiale-negativa\/\">binomiale negativa<\/a> si pu\u00f2 leggere come un miscuglio di Poisson con ritmi diversi (precisamente, ritmi distribuiti secondo una gamma). Non \u00e8 detto che i clic giornalieri seguano esattamente questo schema, ma \u00e8 un modello ragionevole per dati in cui ogni giorno ha il suo ritmo. Ha un parametro in pi\u00f9, \u03b8, che regola quanto la varianza supera la media:<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\\(\\mathrm{Var}(Y) = \\mu + \\frac{\\mu^2}{\\theta}\\)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">dove \u03bc \u00e8 la media. Quando \u03b8 \u00e8 molto grande il secondo termine sparisce e torniamo alla Poisson; quando \u03b8 \u00e8 piccolo, la varianza cresce col quadrato della media. In R il modello si stima con <code>glm.nb()<\/code> del pacchetto MASS:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>m_nb &lt;- glm.nb(clic ~ successivo, data = dati)\nm_nb$theta\nvariazione(m_nb)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">\u03b8 vale 9,1, e l&#8217;intervallo \u00e8 <strong>da \u22128,23% a +1,31%, p-value 0,15<\/strong>. Anche qui lo zero \u00e8 dentro, e il calo non \u00e8 significativo. <br>n.b.: i dati li abbiamo generati con una binomiale negativa con \u03b8 = 30, eppure il modello ne stima 9. Non \u00e8 un errore. Il modello non sa nulla del giorno della settimana n\u00e9 dei picchi, e tutta quella variabilit\u00e0 in pi\u00f9 finisce nel parametro di dispersione, che si abbassa per farle posto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Mettiamo i tre risultati uno accanto all&#8217;altro:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>modello<\/th><th>variazione<\/th><th>intervallo al 95%<\/th><th>p-value<\/th><\/tr><\/thead><tbody><tr><td>Poisson<\/td><td>\u22123,57%<\/td><td>da \u22124,66% a \u22122,48%<\/td><td>2,9\u00d710\u207b\u00b9\u2070<\/td><\/tr><tr><td>quasi-Poisson<\/td><td>\u22123,57%<\/td><td>da \u22128,69% a +1,83%<\/td><td>0,19<\/td><\/tr><tr><td>binomiale negativa<\/td><td>\u22123,57%<\/td><td>da \u22128,23% a +1,31%<\/td><td>0,15<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Stessi dati, stessa stima, due conclusioni opposte.<\/strong> La differenza non sta nel calo, ma in quanta fiducia gli attribuiamo.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/11\/sovradispersione-intervalli.png\" alt=\"I tre intervalli al 95% sulla variazione dei clic, con la stessa stima centrale di \u22123,57%. L'intervallo della Poisson \u00e8 stretto, da \u22124,66% a \u22122,48%, e resta lontano dallo zero; quelli della quasi-Poisson e della binomiale negativa sono pi\u00f9 di quattro volte pi\u00f9 larghi e comprendono lo zero.\"\/><figcaption class=\"wp-element-caption\">I tre intervalli al 95% sulla variazione dei clic, con la stessa stima centrale di \u22123,57%. L&#8217;intervallo della Poisson \u00e8 stretto, da \u22124,66% a \u22122,48%, e resta lontano dallo zero; quelli della quasi-Poisson e della binomiale negativa sono pi\u00f9 di quattro volte pi\u00f9 larghi e comprendono lo zero.<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"struttura\">Una parte della varianza non \u00e8 sovradispersione<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 un&#8217;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 \u00e8 variabilit\u00e0 \u00abin pi\u00f9\u00bb, \u00e8 struttura, e un modello onesto la dovrebbe includere. Proviamo ad aggiungere il giorno della settimana come variabile:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>m_pois_g &lt;- glm(clic ~ successivo + factor(settimana), family = poisson, data = dati)\nsum(residuals(m_pois_g, type = \"pearson\")^2) \/ m_pois_g$df.residual\nvariazione(glm(clic ~ successivo + factor(settimana), family = quasipoisson, data = dati))\nvariazione(glm.nb(clic ~ successivo + factor(settimana), data = dati))<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il fattore di dispersione scende da 23,2 a <strong>17,4<\/strong>, circa un quarto in meno. Gli intervalli si stringono un po&#8217;, da \u22128,03% a +1,06% per la quasi-Poisson e da \u22127,59% a +0,09% per la binomiale negativa, ma lo zero resta dentro in entrambi i casi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La lezione ha due facce. <strong>La prima cosa da fare con la sovradispersione \u00e8 spiegarla<\/strong>: una struttura che conosciamo davvero (giorno della settimana, stagione, festivit\u00e0, campagne note), messa nel modello, toglie varianza al rumore e pu\u00f2 rendere il confronto pi\u00f9 preciso, come accade qui. Non \u00e8 una regola automatica: ogni variabile in pi\u00f9 costa gradi di libert\u00e0, e una variabile che si sovrappone al periodo pu\u00f2 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.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Notiamo infine che, con la settimana nel modello, la binomiale negativa stima un calo leggermente diverso (\u22123,83% invece di \u22123,59%). Il motivo \u00e8 che i due modelli pesano i giorni in modo diverso: nella binomiale negativa i giorni con molti clic, che hanno varianza pi\u00f9 alta, contano un po&#8217; meno. \u00c8 un buon promemoria del fatto che <strong>la stima puntuale dipende dal modello<\/strong>, non solo dai dati.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"calo-vero\">Quando il calo c&#8217;\u00e8 davvero<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Fin qui la sovradispersione sembra solo un modo per spegnere gli allarmi. Vediamo che cosa succede quando il calo \u00e8 vero. Rigeneriamo i dati con lo stesso meccanismo, ma questa volta il secondo anno perde davvero il 12% del ritmo:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>dati_b &lt;- simula(calo = 0.88)\nvar(dati_b$clic) \/ mean(dati_b$clic)\nvariazione(glm(clic ~ successivo, family = poisson, data = dati_b))\nvariazione(glm(clic ~ successivo, family = quasipoisson, data = dati_b))\nvariazione(glm.nb(clic ~ successivo, data = dati_b))<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;indice di dispersione \u00e8 30,8, e la stima del calo \u00e8 \u221213,2% con tutti e tre i modelli:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>modello<\/th><th>variazione<\/th><th>intervallo al 95%<\/th><th>p-value<\/th><\/tr><\/thead><tbody><tr><td>Poisson<\/td><td>\u221213,2%<\/td><td>da \u221214,20% a \u221212,20%<\/td><td>1\u00d710\u207b\u00b9\u00b2\u2078<\/td><\/tr><tr><td>quasi-Poisson<\/td><td>\u221213,2%<\/td><td>da \u221218,48% a \u22127,58%<\/td><td>1,1\u00d710\u207b\u2075<\/td><\/tr><tr><td>binomiale negativa<\/td><td>\u221213,2%<\/td><td>da \u221217,67% a \u22128,49%<\/td><td>1,5\u00d710\u207b\u2077<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Tutti e tre trovano il calo, e nessuno sbaglia la direzione. Ma guardiamo l&#8217;intervallo della Poisson: va da \u221214,2% a \u221212,2%, e <strong>il valore vero, \u221212%, ne resta fuori<\/strong>. Gli altri due lo comprendono. <br>Dunque anche quando la conclusione \u00e8 giusta, la Poisson racconta una precisione che non abbiamo. In un report questo diventa \u00abil calo \u00e8 fra il 12 e il 14%\u00bb, mentre la frase onesta \u00e8 \u00abil calo \u00e8 fra l&#8217;8 e il 18%\u00bb. Se da quel numero dipende una decisione di budget, la differenza conta.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/11\/sovradispersione-calo-vero.png\" alt=\"Gli intervalli dei tre modelli quando il calo vero \u00e8 del 12%. Tutti e tre stanno lontani dallo zero, ma l'intervallo della Poisson, da \u221214,2% a \u221212,2%, lascia fuori il valore vero di \u221212%; quelli della quasi-Poisson e della binomiale negativa lo comprendono.\"\/><figcaption class=\"wp-element-caption\">Gli intervalli dei tre modelli quando il calo vero \u00e8 del 12%. Tutti e tre stanno lontani dallo zero, ma l&#8217;intervallo della Poisson, da \u221214,2% a \u221212,2%, lascia fuori il valore vero di \u221212%; quelli della quasi-Poisson e della binomiale negativa lo comprendono.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 per\u00f2 un limite che nessuna delle due cure risolve, ed \u00e8 giusto dirlo. Quasi-Poisson e binomiale negativa allargano la varianza di ogni giorno, ma continuano a trattare i giorni come <strong>indipendenti<\/strong> fra loro. Nei dati veri spesso non lo sono: una settimana buona tende a essere seguita da un&#8217;altra settimana buona, un problema tecnico dura giorni, non ore. Ignorare questa dipendenza (l&#8217;<strong>autocorrelazione<\/strong>) produce intervalli ancora troppo stretti, e allargare la varianza di ogni giorno non basta a correggerla, perch\u00e9 il problema sta nei legami fra un giorno e l&#8217;altro. Nella simulazione l&#8217;abbiamo esclusa per costruzione; sui dati reali conviene guardare i residui del modello nel tempo, per esempio con <code>acf(residuals(m, type = \"pearson\"))<\/code>, prima di considerare chiuso il discorso.<\/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:1.5rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow\">\n<p>Un avvertimento: con dati sovradispersi un p-value piccolissimo non \u00e8 una garanzia. Prima di fidarsi di un test sui conteggi (un <code>poisson.test()<\/code>, un <code>glm<\/code> 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&#8217;uno dall&#8217;altro. Sui clic, sulle sessioni e sulle impressioni giornaliere sono due condizioni che raramente reggono.<\/p>\n<\/div><\/div>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"ctr\">Lo stesso problema con le proporzioni: il CTR<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Tutto quello che abbiamo visto per i conteggi vale, quasi parola per parola, per le proporzioni. Il CTR di una pagina \u00e8 il rapporto fra clic e impressioni, e il modello naturale \u00e8 la <a href=\"https:\/\/www.gironi.it\/blog\/distribuzioni-di-probabilita-distribuzioni-discrete-la-binomiale\/\">binomiale<\/a>: ogni impressione \u00e8 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 <strong>stesso<\/strong> 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.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">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%:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(2026)\nimpressioni &lt;- round(10 ^ runif(200, log10(30), log10(5000)))   # da 30 a 5.000 per pagina\nctr_vero    &lt;- rbeta(200, 0.035 * 60, 0.965 * 60)                # ogni pagina ha il suo CTR\npagine &lt;- data.frame(impressioni, clic = rbinom(200, impressioni, ctr_vero))<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il CTR vero di ogni pagina viene da una <a href=\"https:\/\/www.gironi.it\/blog\/la-distribuzione-beta-spiegata-semplice\/\">distribuzione beta<\/a>, la distribuzione naturale per le proporzioni. La diagnosi \u00e8 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:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>m_bin &lt;- glm(cbind(clic, impressioni - clic) ~ 1, family = binomial, data = pagine)\nsum(residuals(m_bin, type = \"pearson\")^2) \/ m_bin$df.residual<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il fattore vale <strong>12,4<\/strong>: un forte eccesso di variabilit\u00e0 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 \u00e8 la sua radice, circa 3,5). La prima correzione \u00e8 la stessa dei conteggi, cambiando ancora una sola parola: <code>quasibinomial<\/code> al posto di <code>binomial<\/code>. Calcoliamo l&#8217;intervallo del CTR complessivo con i due modelli:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>ctr_medio &lt;- function(m) {\n  s &lt;- summary(m)$coefficients[1, ]\n  round(100 * plogis(s[[1]] + c(stima = 0, da = -1, a = 1) * qnorm(0.975) * s[[2]]), 2)\n}\nctr_medio(m_bin)\nctr_medio(glm(cbind(clic, impressioni - clic) ~ 1, family = quasibinomial, data = pagine))<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il CTR stimato \u00e8 3,21% in entrambi i casi. L&#8217;intervallo binomiale va <strong>da 3,13% a 3,30%<\/strong>, quello quasi-binomiale <strong>da 2,92% a 3,53%<\/strong>, circa 3,5 volte pi\u00f9 largo (la radice di 12,4).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Qui per\u00f2 serve una distinzione che con i clic giornalieri non era cos\u00ec evidente: <strong>di quale incertezza stiamo parlando?<\/strong> Se la domanda \u00e8 \u00abqual \u00e8 il CTR di <em>queste<\/em> 200 pagine, con questi contenuti e queste posizioni?\u00bb, le pagine sono date, e l&#8217;intervallo binomiale \u00e8 sostanzialmente adeguato: la variabilit\u00e0 fra pagina e pagina non \u00e8 rumore, \u00e8 una caratteristica fissa del sito. Se invece la domanda \u00e8 \u00abche CTR possiamo aspettarci da pagine <em>come queste<\/em>?\u00bb, per esempio per prevedere il rendimento di nuove pagine dello stesso tipo, la variabilit\u00e0 fra pagine diventa parte dell&#8217;incertezza, e l&#8217;intervallo binomiale \u00e8 troppo ottimista. \u00c8 la seconda domanda quella per cui la sovradispersione conta, ed \u00e8 quella che ci poniamo di solito quando usiamo un CTR medio per decidere qualcosa.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">n.b.: la quasi-binomiale applica lo stesso fattore di dispersione a tutte le pagine, ma con impressioni cos\u00ec diverse (da 30 a 5.000) l&#8217;eccesso di variabilit\u00e0 non \u00e8 uguale per tutte: nelle pagine grandi le differenze di CTR pesano di pi\u00f9. La quasi-binomiale \u00e8 quindi una prima correzione, non quella definitiva. Il modello che tiene conto di questo \u00e8 la <strong>beta-binomiale<\/strong>, l&#8217;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 \u00e8 nei pacchetti di base, ma si stima con pacchetti dedicati oppure massimizzando la verosimiglianza a mano con <code>optim()<\/code>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 per\u00f2 una domanda che il caso delle proporzioni rende inevitabile: <strong>quale<\/strong> CTR medio stiamo stimando? Possiamo dividere tutti i clic per tutte le impressioni, oppure calcolare il CTR di ogni pagina e farne la media:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>100 * sum(pagine$clic) \/ sum(pagine$impressioni)\n100 * mean(pagine$clic \/ pagine$impressioni)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il primo vale 3,21%, il secondo 3,49%. Non sono due stime della stessa cosa: il primo \u00e8 il <strong>CTR del sito<\/strong>, in cui le pagine con molte impressioni pesano di pi\u00f9; il secondo \u00e8 il <strong>CTR della pagina tipica<\/strong>, in cui ogni pagina conta uguale. Quando le pagine hanno CTR diversi, i due numeri divergono, e non c&#8217;\u00e8 un modo giusto in assoluto di scegliere: dipende dalla domanda. \u00abQuanti clic otteniamo dal traffico che abbiamo?\u00bb vuole il primo; \u00abcom&#8217;\u00e8 il CTR di una nostra pagina qualunque?\u00bb vuole il secondo. <strong>Prima di confrontare il CTR di due gruppi di pagine, va deciso quale dei due si sta confrontando<\/strong>, perch\u00e9 con gruppi di pagine di dimensioni diverse i due confronti possono dare risultati molto diversi. \u00c8 un tema che merita un articolo a s\u00e9.<\/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\">Che differenza c&#8217;\u00e8 fra sovradispersione e outlier?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Un outlier \u00e8 un singolo valore anomalo; la sovradispersione \u00e8 una propriet\u00e0 dell&#8217;insieme dei dati, che variano tutti pi\u00f9 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.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quale scegliere, quasi-Poisson o binomiale negativa?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Per confrontare due periodi danno quasi sempre la stessa risposta, e la quasi-Poisson \u00e8 pi\u00f9 semplice da spiegare: stessa stima, errori pi\u00f9 larghi. La binomiale negativa \u00e8 preferibile quando servono previsioni o probabilit\u00e0 (per esempio \u00abquanto \u00e8 probabile un giorno sotto i 50 clic?\u00bb), oppure quando si vogliono confrontare modelli diversi con l&#8217;AIC, che la quasi-Poisson non permette.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Il <code>poisson.test()<\/code> dell&#8217;articolo precedente era sbagliato, allora?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">No, ma va usato con lo stesso controllo. Quando gli eventi sono abbastanza indipendenti e il ritmo \u00e8 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 per\u00f2 non basta a decidere: il controllo costa una riga, e conviene farlo sempre.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Con dati settimanali o mensili il problema sparisce?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Si attenua il peso del giorno della settimana, ma non la stagionalit\u00e0 n\u00e9 i picchi. E con meno osservazioni il fattore di dispersione si stima peggio. Aggregare non \u00e8 una cura: \u00e8 un modo per avere meno dati su cui accorgersi del problema.<\/p>\n\n\n\n<script type=\"application\/ld+json\">{\"@context\": \"https:\/\/schema.org\", \"@type\": \"FAQPage\", \"mainEntity\": [{\"@type\": \"Question\", \"name\": \"Che differenza c'\u00e8 fra sovradispersione e outlier?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Un outlier \u00e8 un singolo valore anomalo; la sovradispersione \u00e8 una propriet\u00e0 dell'insieme dei dati, che variano tutti pi\u00f9 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.\"}}, {\"@type\": \"Question\", \"name\": \"Quale scegliere, quasi-Poisson o binomiale negativa?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Per confrontare due periodi danno quasi sempre la stessa risposta, e la quasi-Poisson \u00e8 pi\u00f9 semplice da spiegare: stessa stima, errori pi\u00f9 larghi. La binomiale negativa \u00e8 preferibile quando servono previsioni o probabilit\u00e0 (per esempio \u00abquanto \u00e8 probabile un giorno sotto i 50 clic?\u00bb), oppure quando si vogliono confrontare modelli diversi con l'AIC, che la quasi-Poisson non permette.\"}}, {\"@type\": \"Question\", \"name\": \"Il poisson.test() dell'articolo precedente era sbagliato, allora?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"No, ma va usato con lo stesso controllo. Quando gli eventi sono abbastanza indipendenti e il ritmo \u00e8 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 per\u00f2 non basta a decidere: il controllo costa una riga, e conviene farlo sempre.\"}}, {\"@type\": \"Question\", \"name\": \"Con dati settimanali o mensili il problema sparisce?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Si attenua il peso del giorno della settimana, ma non la stagionalit\u00e0 n\u00e9 i picchi. E con meno osservazioni il fattore di dispersione si stima peggio. Aggregare non \u00e8 una cura: \u00e8 un modo per avere meno dati su cui accorgersi del problema.\"}}]}<\/script>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"prova-tu\">Prova tu<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Riprendiamo i dati simulati e togliamo i dodici giorni di picco, quelli che nella realt\u00e0 corrisponderebbero a campagne o a menzioni sui giornali. Li riconosciamo dalla colonna <code>picco<\/code>, non dal numero di clic: nei dati veri l&#8217;equivalente \u00e8 il calendario delle campagne. Togliere semplicemente i giorni con pi\u00f9 clic sarebbe una scorciatoia pericolosa, perch\u00e9 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?<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>senza_picchi &lt;- dati[!dati$picco, ]\nm &lt;- glm(clic ~ successivo + factor(settimana), family = quasipoisson, data = senza_picchi)\nsummary(m)$dispersion\nvariazione(m)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il fattore di dispersione scende da 17,4 a 7,9, e il calo (ora \u22122,22%, intervallo da \u22125,35% a +1,00%) resta non significativo. <br>Il passo successivo \u00e8 aggiungere anche la stagione, per esempio con un seno e un coseno di periodo 365 giorni:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>t &lt;- which(!dati$picco)\nm_s &lt;- glm(clic ~ successivo + factor(settimana) + sin(2 * pi * t \/ 365) + cos(2 * pi * t \/ 365),\n           family = quasipoisson, data = senza_picchi)\nsummary(m_s)$dispersion\nvariazione(m_s)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La dispersione scende ancora, a 6,0. \u00c8 lo stesso ordine di grandezza della variabilit\u00e0 che abbiamo messo noi nella simulazione con <code>size = 30<\/code>: per un giorno con 165 clic attesi, la binomiale negativa ha una varianza 1 + 165\/30 \u2248 6,5 volte la media (meno nei giorni pi\u00f9 tranquilli, di pi\u00f9 in quelli pi\u00f9 affollati). <strong>Quello che resta dopo aver spiegato la struttura che conosciamo \u00e8 la sovradispersione da gestire con il modello<\/strong>, ed \u00e8 ancora sei volte quella che la Poisson ammette.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p class=\"wp-block-paragraph\">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 pi\u00f9 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. L\u00ec non basta allargare gli intervalli: serve un gruppo di controllo, ed \u00e8 il tema del prossimo articolo, il <strong>CTR atteso prima e dopo un evento<\/strong>.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"per-approfondire\">Per approfondire<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Per ripassare l&#8217;inferenza sui conteggi e sulle proporzioni prima di passare ai modelli, consiglio <a href=\"https:\/\/www.amazon.it\/dp\/8891910651?tag=consulenzeinf-21&amp;ascsubtag=sovradispersione\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>Statistica<\/em><\/a> di Newbold, Carlson e Thorne: la parte sui test e sugli intervalli di confidenza \u00e8 il fondamento su cui poggia tutto quello che abbiamo visto. Per l&#8217;idea di fondo dell&#8217;articolo, cio\u00e8 che un&#8217;incertezza sottostimata \u00e8 pi\u00f9 pericolosa di un&#8217;incertezza dichiarata, <a href=\"https:\/\/www.amazon.it\/dp\/8860443865?tag=consulenzeinf-21&amp;ascsubtag=sovradispersione\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>Il segnale e il rumore<\/em><\/a> di Nate Silver \u00e8 una lettura che vale molti manuali.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Clic e sessioni variano pi\u00f9 di quanto la Poisson preveda: come accorgersene in R e correggere gli intervalli con quasi-Poisson e binomiale negativa, con esempi.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[629],"tags":[],"class_list":["post-4580","post","type-post","status-publish","format-standard","hentry","category-statistica-it"],"lang":"it","translations":{"it":4580,"en":4581},"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 Gironi","author_link":"https:\/\/www.gironi.it\/blog\/author\/autore-articoli\/"},"uagb_comment_info":0,"uagb_excerpt":"Clic e sessioni variano pi\u00f9 di quanto la Poisson preveda: come accorgersene in R e correggere gli intervalli con quasi-Poisson e binomiale negativa, con esempi.","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4580","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\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=4580"}],"version-history":[{"count":4,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4580\/revisions"}],"predecessor-version":[{"id":4665,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/4580\/revisions\/4665"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=4580"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=4580"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=4580"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}