Quando si confrontano due gruppi, uno dei numeri più usati in statistica è l’odds ratio, spesso abbreviato in OR. Serve a capire quanto cambiano le odds di un evento tra esposizione e controllo, ma viene letto male molto spesso perché si confonde con il rischio relativo o con la probabilità semplice. In questo articolo lo rendo pratico: definizione, calcolo, interpretazione, limiti e uso nei modelli logistici.
Le idee da tenere a mente prima di leggere i numeri
- L’OR confronta le odds di un evento, non le probabilità dirette.
- Un valore pari a 1 indica assenza di associazione; sopra 1 aumenta le odds, sotto 1 le riduce.
- Su eventi frequenti l’OR può risultare più distante dal rischio relativo di quanto ci si aspetti.
- Nei modelli di regressione logistica, il coefficiente esponenziato diventa un OR aggiustato.
- Per interpretarlo bene servono sempre il gruppo di riferimento, l’intervallo di confidenza e il contesto dello studio.
Cosa misura davvero l’odds ratio
Le odds sono il rapporto tra la probabilità che un evento accada e la probabilità che non accada. Se un evento ha probabilità 20%, le sue odds non sono 20%, ma 20/80 = 0,25, cioè 1 a 4. Da qui nasce l’OR: un confronto tra odds di due gruppi, per esempio tra chi riceve una misura e chi non la riceve, oppure tra un’area e un’altra.
Io lo leggo come un indicatore di associazione: dice se un evento è relativamente più o meno probabile in un gruppo rispetto a un altro, ma non prova da solo un rapporto causale. Questa distinzione è importante, perché nello stesso numero possono convivere effetti reali, differenze di selezione e confondimento. Se non si guarda il disegno dello studio, il dato rischia di sembrare più definitivo di quanto sia.
Il punto di partenza, quindi, non è il numero in sé ma la domanda che lo genera: rispetto a quale gruppo, e rispetto a quale evento, sto confrontando le odds? Da qui si passa al calcolo, che è più semplice di quanto sembri.
Come si calcola su una tabella 2x2
Il modo più pulito per capirlo è con una tabella di contingenza. Prendo un esempio semplice: persone che hanno seguito un corso di riqualificazione professionale e persone che non l’hanno seguito, osservando quante trovano lavoro.
| Lavoro sì | Lavoro no | Totale | |
|---|---|---|---|
| Corso sì | 30 | 70 | 100 |
| Corso no | 20 | 80 | 100 |
Le odds di trovare lavoro nel gruppo con corso sono 30/70 = 0,43. Nel gruppo senza corso sono 20/80 = 0,25. A questo punto il rapporto è semplice: OR = 0,43 / 0,25 = 1,71. In forma compatta, la stessa operazione si scrive anche come OR = (a × d) / (b × c), dove a, b, c e d sono le quattro celle della tabella.
Il messaggio sostanziale è questo: nel mio esempio, le odds di trovare lavoro risultano circa il 71% più alte tra chi ha seguito il corso. Attenzione però alla formula mentale che spesso inganna: non significa automaticamente che la probabilità di lavorare sia aumentata del 71%. Quello sarebbe un altro linguaggio statistico. Questa differenza diventa cruciale quando l’evento non è raro.
Da qui nasce la questione più delicata: come si traduce quel numero in parole corrette, senza trasformarlo in una promessa troppo forte?
Come interpretare valori superiori, uguali o inferiori a 1
Qui conviene essere molto netti. OR = 1 significa che le odds sono uguali nei due gruppi: non emerge un’associazione. OR > 1 indica odds maggiori nel gruppo numeratore. OR < 1 indica odds più basse. Il senso pratico dipende sempre da quale gruppo è al numeratore, quindi prima di commentare il dato controllo sempre l’ordine dei confronti.
Un OR di 2 non vuol dire che la probabilità raddoppia. Vuol dire che le odds raddoppiano, che è una cosa diversa. Se voglio esprimere una riduzione, spesso trovo più intuitivo leggere l’inverso: un OR di 0,60 indica odds inferiori del 40% rispetto al riferimento. Anche qui, però, il linguaggio corretto resta “odds”, non “rischio”.
In pratica, quando leggo un report, cerco subito tre cose: direzione dell’effetto, grandezza dell’effetto e incertezza statistica. Senza queste tre informazioni, il numero resta sospeso. E per capirne la portata reale, il confronto con il rischio relativo è il passaggio successivo.
Perché non coincide con il rischio relativo
Questa è la confusione più comune, e la capisco: i due indicatori sembrano simili, ma non raccontano esattamente la stessa storia. Il rischio relativo confronta probabilità; l’OR confronta odds. Quando l’evento è raro, le due misure tendono ad avvicinarsi molto. Quando l’evento è frequente, la distanza cresce.
| Misura | Cosa confronta | Quando è più utile | Limite principale |
|---|---|---|---|
| OR | Odds di un evento tra due gruppi | Studi caso-controllo, regressione logistica, eventi rari | Può essere letto come se fosse un rischio, ma non lo è |
| Rischio relativo | Probabilità dell’evento tra due gruppi | Studi di coorte, confronti intuitivi | Non sempre è stimabile direttamente |
| Probabilità | Quota di casi in un gruppo | Quando serve una lettura immediata | Non misura da sola il confronto tra gruppi |
Nell’esempio del corso di formazione, il rischio relativo è 30%/20% = 1,5, mentre l’OR è 1,71. Entrambi indicano un vantaggio del gruppo con corso, ma l’OR amplifica di più la distanza quando l’evento non è raro. Per questo, se un risultato è destinato a chi non fa statistica ogni giorno, io valuto sempre se il rischio relativo o una differenza assoluta sarebbero più leggibili.
Nei casi-control, però, l’OR spesso non è una scelta di stile ma una necessità metodologica: il disegno dello studio non consente di stimare bene il rischio diretto. Ed è proprio qui che entra in scena la regressione logistica.
Come appare nella regressione logistica
Nel modello logistico, il coefficiente vive sulla scala dei log-odds. Per tornare a una misura interpretabile, lo si esponenzia: OR = e^β. In altre parole, un coefficiente positivo produce un OR sopra 1, uno negativo un OR sotto 1. Questa è la ragione per cui, nei software statistici, la colonna “Odds Ratio” appare accanto ai coefficienti grezzi.
La versione più utile, però, è quasi sempre l’OR aggiustato. Significa che l’effetto di una variabile viene letto tenendo ferme le altre incluse nel modello. In uno studio su occupazione, per esempio, posso correggere per età, istruzione, area geografica e genere. Il numero finale è allora più robusto di un semplice confronto grezzo, ma non per questo diventa automaticamente causale.
Io controllo sempre due dettagli: la categoria di riferimento e l’eventuale interazione tra variabili. Se cambia il gruppo base, cambia anche il significato dell’OR; se c’è un’interazione, un solo numero non basta più a riassumere tutto l’effetto. In pratica, il modello logit è utile proprio perché ordina la complessità, ma funziona bene solo se lo si legge con attenzione. E quando l’interpretazione si fa più fragile, gli errori tipici diventano il vero punto critico.
Gli errori che lo fanno leggere male
Qui conviene essere severi, perché molti fraintendimenti nascono sempre dagli stessi punti.
- Confondere odds e probabilità: un OR di 2 non significa probabilità doppia, ma odds doppie.
- Dimenticare il riferimento: senza sapere quale gruppo sta al denominatore, il numero è ambiguo.
- Ignorare la frequenza dell’evento: se l’esito è comune, l’OR può sembrare più estremo del rischio relativo.
- Leggere un OR aggiustato come se fosse grezzo: controllare per altre variabili cambia il significato del risultato.
- Trascurare l’intervallo di confidenza: se include 1, il segnale è debole o compatibile con assenza di associazione.
- Usare la formula meccanicamente con celle vuote: con uno zero in tabella il calcolo diretto si rompe e servono correzioni o metodi alternativi.
Il limite più importante, però, è concettuale: l’OR descrive un’associazione, non una spiegazione completa del fenomeno. In studi sociali, sanitari o economici, la qualità del dato dipende anche dal campionamento, dai confondenti e da come sono state costruite le categorie. Se salto questi passaggi, il numero resta elegante ma poco affidabile.
Per questo l’ultimo controllo non è mai solo aritmetico: è una verifica di contesto, di misura e di senso interpretativo.
Il controllo finale che uso prima di fidarmi di un risultato
Quando valuto un OR, mi fermo su cinque domande rapide: qual è il gruppo di riferimento, l’evento è raro o comune, il risultato è grezzo o aggiustato, l’intervallo di confidenza resta abbastanza stretto e il disegno dello studio consente davvero quel tipo di lettura? Se una di queste risposte è debole, il numero non va buttato, ma va ridimensionato.
- Se l’evento è raro, l’OR può essere una buona approssimazione intuitiva del rischio relativo.
- Se l’evento è comune, conviene affiancare anche una misura di rischio o una differenza assoluta.
- Se il modello è logistico, l’OR aggiustato va letto dentro le variabili incluse, non fuori da esse.
- Se il report usa un linguaggio troppo sicuro, controllo subito il margine di incertezza.
In sintesi operativa, l’OR è utile quando vuoi confrontare gruppi in modo rigoroso, ma diventa davvero leggibile solo se lo accompagni con contesto, direzione dell’effetto e incertezza statistica. È qui che un numero tecnico smette di essere un’etichetta da report e diventa una base solida per interpretare dati medici, sociali o economici con più lucidità.
