I gradi di libertà nel test chi-quadro servono a capire quanta informazione resta davvero libera dopo aver imposto un modello ai dati. Se li calcoli male, anche una statistica apparentemente solida porta a un p-value letto nel modo sbagliato. Qui chiarisco come funzionano nei casi più comuni, come si interpretano nelle tabelle di contingenza e quali errori conviene evitare quando lavori con frequenze osservate e attese.
I punti da fissare prima di calcolare il test
- I gradi di libertà non coincidono con il numero totale di osservazioni, ma con le quantità che possono variare davvero dopo i vincoli del problema.
- Nel test di bontà dell’adattamento la base è df = k - 1, ma si sottraggono anche i parametri stimati dai dati.
- Nelle tabelle di contingenza la regola pratica è (r - 1)(c - 1).
- Se le frequenze attese sono troppo basse, il problema riguarda soprattutto l’affidabilità dell’approssimazione, non la formula dei df.
- Lo stesso valore di χ² può avere un significato diverso se cambia il numero di gradi di libertà.
Cosa indicano davvero i gradi di libertà
Io lo leggo così: i gradi di libertà sono il numero di valori che possono muoversi indipendentemente prima che i vincoli del problema blocchino il resto. Nel chi-quadro questo conta perché la statistica osservata non si confronta con una curva generica, ma con una distribuzione di riferimento determinata proprio da ν. Il risultato non è quindi solo “quanto è grande” χ², ma anche “quanto spazio di manovra” aveva la struttura dei dati.
Un esempio semplice aiuta: in una distribuzione con 6 categorie, la somma delle frequenze è fissata dal totale del campione. Se conosco già 5 categorie, la sesta è obbligata. Ecco perché i gradi di libertà scendono di uno rispetto al numero di categorie. Come ricorda il NIST, la distribuzione di confronto cambia proprio in funzione di ν, quindi questo passaggio non è un dettaglio tecnico ma la base dell’interpretazione.
Da qui passa il motivo per cui il calcolo cambia tra bontà dell’adattamento e indipendenza.
Nel test di bontà dell’adattamento contano categorie e parametri stimati
Nel test di bontà dell’adattamento parto dal numero di categorie, ma non mi fermo lì. La regola base è df = k - 1, dove k è il numero di classi, però ogni parametro stimato dai dati riduce ulteriormente i gradi di libertà. In pratica, se il modello non è completamente fissato prima di guardare il campione, una parte della libertà se la “mangia” la stima stessa.
Per questo una tabella utile non si legge solo con le categorie, ma anche con ciò che è stato stimato. Penn State ricorda che l’approssimazione chi-quadro va usata con frequenze attese abbastanza grandi, idealmente non troppo lontane da 5 per cella: se i numeri sono troppo piccoli, il problema non è il df, ma la qualità dell’approssimazione.
| Situazione | Formula dei df | Esempio rapido | Perché cambia |
|---|---|---|---|
| Dado con 6 esiti e nessun parametro stimato | 6 - 1 = 5 | 5 gradi di libertà | Una frequenza è vincolata dal totale |
| Distribuzione di Poisson con λ stimato dai dati | k - 1 - 1 | 6 classi, 4 df | Un parametro è stato consumato dalla stima |
| Distribuzione normale con media e deviazione standard stimate | k - 1 - 2 | 8 classi, 5 df | Due parametri riducono la libertà residua |
Nel momento in cui stimi uno o più parametri, il valore di df scende e la soglia di confronto cambia. Quando il problema non è una distribuzione teorica ma il legame tra due variabili, la logica diventa ancora più geometrica.
Nelle tabelle di contingenza la regola pratica è (r-1)(c-1)
Nelle tabelle di contingenza la regola pratica è (r - 1)(c - 1), dove r è il numero di righe e c il numero di colonne. Io la trovo intuitiva: se fisso i totali di riga e di colonna, non posso scegliere liberamente tutte le celle. Alcune sono già determinate dai vincoli marginali, quindi la libertà residua si riduce. È il caso tipico delle analisi su istruzione, occupazione, comportamento elettorale o altre variabili categoriali usate nelle scienze sociali.
La forma più semplice è la tabella 2x2: lì i gradi di libertà sono 1. Appena aggiungi righe o colonne, la complessità cresce in fretta, ed è normale che il p-value cambi anche se la statistica χ² sembra simile a quella di un altro esercizio.
| Tipo di tabella | Gradi di libertà | Lettura utile |
|---|---|---|
| 2x2 | 1 | Un solo contrasto indipendente |
| 3x2 | 2 | Due vincoli indipendenti |
| 3x4 | 6 | Più libertà residua e distribuzione più ampia |
| 4x4 | 9 | La struttura della tabella pesa molto sulla lettura finale |
Se le frequenze attese sono molto basse, io non forzo il chi-quadro solo perché la formula è comoda. In una 2x2 con celle sparse, spesso ha più senso un test esatto di Fisher o un raggruppamento delle categorie davvero compatibile con il significato dei dati. A questo punto il df non è più un numero astratto, ma il ponte tra tabella e significatività.
Come leggere il risultato senza confondere statistica e significato
Il numero di gradi di libertà non serve solo a fare un conteggio corretto. Cambia la forma della distribuzione di riferimento, quindi cambia anche la probabilità associata alla stessa statistica osservata. Il NIST lo tratta in modo molto netto: il confronto va sempre fatto con la distribuzione χ2 che corrisponde ai gradi di libertà del tuo caso.
Per capire l’effetto, pensa a una statistica χ2 = 10. Con 1 grado di libertà è un valore molto forte, con 6 gradi di libertà è molto meno sorprendente. Questo è il punto che molti saltano: non esiste un numero magico valido per tutti i test, perché il contesto dei df modifica la soglia di lettura.
Quando lavoro su tabelle sociali o campioni grandi, guardo sempre tre cose insieme: il p-value, i residui standardizzati e, se la tabella è più ampia di 2x2, anche Cramér's V. Il p-value mi dice se l’effetto è compatibile con il caso, i residui mi mostrano dove si concentra la differenza, e l’indice di effetto mi aiuta a capire se l’associazione è anche sostanziosa, non solo significativa.
In altre parole, i gradi di libertà ti dicono quale curva usare, ma non ti sostituiscono il giudizio sul peso reale del risultato. Ed è proprio qui che nascono gli errori più comuni.
Gli errori che vedo più spesso nel chi-quadro
Gli scivoloni che vedo più spesso sono quasi sempre gli stessi.
- Confondere n con i gradi di libertà, come se più dati significassero automaticamente più df. Non è così.
- Dimenticare i parametri stimati nel goodness-of-fit. Se stimi la media, la varianza o λ dai dati, quei gradi di libertà non sono più disponibili.
- Usare il chi-quadro con celle troppo sparse, soprattutto in tabelle piccole. La formula resta corretta, ma l’approssimazione può diventare debole.
- Leggere il df come misura di importanza. I df non dicono se l’associazione è forte, dicono solo quale distribuzione usare.
- Aggiornare le categorie in modo arbitrario, unendo celle solo per far tornare il test. Se il raggruppamento altera il significato sostanziale, il risultato diventa poco utile.
Quando una tabella non sta in piedi bene, preferisco rallentare invece di “salvare” il test a tutti i costi. Se i dati sono pochi, sporchi o troppo sbilanciati, il modello migliore è spesso quello più prudente, non quello più elegante sulla carta. Per evitare scelte automatiche, io faccio sempre un ultimo controllo di contesto.
Il controllo mentale che uso prima di fidarmi del test
Il controllo finale è semplice e molto pratico: identifico prima il tipo di test, poi conto i vincoli, poi verifico se qualche parametro è stato stimato dai dati. Solo dopo guardo la statistica χ2 e il p-value. Se il campione è grande, non mi fermo alla significatività, perché anche una differenza minima può risultare “importante” solo per effetto della numerosità.
Se devo riassumere tutto in una frase, direi così: i gradi di libertà non misurano quanti dati hai, ma quanta informazione indipendente resta dopo i vincoli del modello. Quando questo passaggio è chiaro, il chi-quadro smette di essere una formula da memorizzare e diventa uno strumento di lettura molto più affidabile.
