Il test chi-quadro è utile quando vuoi capire se una differenza tra frequenze osservate e frequenze attese è solo rumore statistico oppure segnala una relazione reale tra variabili categoriali. In questa guida spiego come leggere la tabella, come costruire il conteggio atteso, come sommare le componenti della statistica e come interpretare il valore finale senza confondere significatività e causalità. Chiudo con un esempio numerico e con gli errori che, nella pratica, fanno sbagliare più spesso l’analisi.
I punti da controllare prima di fidarsi del risultato
- Conta osservata e conta attesa non sono la stessa cosa: il test misura proprio lo scarto tra le due.
- La formula base è χ² = Σ (O - E)² / E, ma il modo di calcolare gli attesi cambia in base al tipo di test.
- Per le tabelle di contingenza i gradi di libertà sono (righe - 1) × (colonne - 1).
- Il valore p si legge nella coda destra della distribuzione chi-quadro.
- Se molte frequenze attese sono troppo piccole, il risultato può diventare fragile e conviene valutare un test alternativo.
- Un risultato significativo non dice quanto sia forte il legame: per quello servono anche misure di effetto come Cramer's V.
Quando usare il test chi-quadro e quando no
Io parto quasi sempre da una domanda semplice: sto confrontando una variabile categoriale con una distribuzione attesa, oppure sto cercando un’associazione tra due variabili categoriali? Da questa distinzione dipende il tipo di test, il modo in cui costruisco le frequenze attese e perfino il numero di gradi di libertà.
| Variante | Quando si usa | Cosa confronta | Gradi di libertà |
|---|---|---|---|
| Bontà dell'adattamento | Una sola variabile categoriale con due o più livelli | Frequenze osservate contro una distribuzione teorica o attesa | k - 1 |
| Indipendenza | Due variabili categoriali in una tabella di contingenza | Se le variabili si comportano come indipendenti | (r - 1) × (c - 1) |
| Omogeneità | Più campioni o popolazioni da confrontare | Se le proporzioni restano simili tra gruppi diversi | (r - 1) × (c - 1) |
La logica matematica è molto simile in tutti e tre i casi, ma la domanda statistica cambia. Nella pratica, il test di indipendenza è quello che si usa più spesso quando si lavora con sondaggi, dati sociali, comportamento degli utenti o risultati amministrativi. Se invece hai una sola variabile, per esempio una distribuzione di preferenze o una ripartizione in categorie, la strada giusta è la bontà dell’adattamento. Da qui in avanti vediamo il procedimento completo, perché è lì che si chiarisce davvero il senso del test.
Come si calcola la statistica passo dopo passo
Il cuore del calcolo è sempre lo stesso: confronto ogni frequenza osservata con la sua frequenza attesa, poi sommo gli scarti standardizzati. La formula base è questa:
χ² = Σ (O - E)² / E
Dove O è la frequenza osservata ed E è la frequenza attesa. Il quadrato elimina il segno e impedisce che scarti positivi e negativi si annullino a vicenda; la divisione per E fa pesare di più gli scarti grandi rispetto a valori attesi piccoli.
1. Definire l’ipotesi nulla
Nel test di bontà dell’adattamento l’ipotesi nulla dice che le frequenze seguono la distribuzione prevista. Nel test di indipendenza, invece, l’ipotesi nulla afferma che le due variabili non sono associate. Questa scelta non è formale: cambia il modo in cui interpreto il risultato finale.
2. Calcolare le frequenze attese
Qui il procedimento cambia a seconda del test.
- Nel test di bontà dell’adattamento: E = n × p, dove n è il totale del campione e p la proporzione attesa per quella categoria.
- Nelle tabelle di contingenza: Eij = (totale riga × totale colonna) / totale complessivo.
Questa è la parte più importante del lavoro manuale, perché se gli attesi sono sbagliati, tutto il test perde valore. Io controllo sempre anche i totali di riga e di colonna prima di andare oltre.
3. Sommare i contributi cella per cella
Ogni cella produce un contributo proprio: (O - E)² / E. Alla fine sommo tutti i contributi e ottengo la statistica χ². Se una sola cella pesa molto più delle altre, vale la pena fermarsi e capire perché: spesso lì si nasconde l’informazione più utile dell’intera tabella.
Leggi anche: Diagramma di Pareto - come leggerlo e costruirlo bene
4. Ricavare i gradi di libertà e il valore p
Per una tabella r × c, i gradi di libertà sono (r - 1) × (c - 1). Poi leggo il valore p nella coda destra della distribuzione chi-quadro: più la statistica è grande, più il p-value scende, e più l’ipotesi nulla diventa difficile da sostenere.
Se le frequenze attese sono troppo basse, però, la distribuzione approssimata può non essere affidabile. In quel caso il calcolo formale resta identico, ma la fiducia nel risultato diminuisce, e conviene passare a una soluzione più adatta. Adesso vediamo tutto in un esempio concreto, così il meccanismo diventa davvero leggibile.
Un esempio numerico che mostra tutto il procedimento
Immaginiamo un sondaggio su 100 residenti che chiede se hanno usato un portale digitale comunale negli ultimi 12 mesi. Divido il campione in due fasce d’età. Il punto non è il tema in sé, ma il metodo: voglio capire se età e utilizzo del portale sembrano indipendenti.
| Fascia d’età | Sì | No | Totale |
|---|---|---|---|
| Sotto i 35 | 36 | 24 | 60 |
| 35 e oltre | 16 | 24 | 40 |
| Totale | 52 | 48 | 100 |
Ora calcolo gli attesi. Per la cella “Sotto i 35 / Sì” ottengo 60 × 52 / 100 = 31,2. Per “Sotto i 35 / No” il valore atteso è 60 × 48 / 100 = 28,8. Per l’altra riga i valori sono 20,8 e 19,2. Questo significa che il confronto va fatto non contro numeri casuali, ma contro ciò che mi aspetterei se l’età non avesse alcun legame con il comportamento osservato.
| Cella | Osservato | Atteso | Contributo |
|---|---|---|---|
| Sotto i 35 / Sì | 36 | 31,2 | 0,738 |
| Sotto i 35 / No | 24 | 28,8 | 0,800 |
| 35 e oltre / Sì | 16 | 20,8 | 1,108 |
| 35 e oltre / No | 24 | 19,2 | 1,200 |
La somma dei contributi dà χ² = 3,846. I gradi di libertà sono (2 - 1) × (2 - 1) = 1. Con 1 grado di libertà, un valore intorno a 3,846 porta a un p-value vicino a 0,0498. In pratica, il risultato è appena sotto la soglia classica del 5%: abbastanza per rifiutare l’ipotesi nulla, ma non così forte da permettere letture trionfalistiche.
Qui entra il secondo livello di lettura. Un χ² significativo non significa automaticamente che il legame sia forte. In una tabella 2×2 posso affiancare anche phi o, più in generale, Cramer's V: in questo caso l’effetto resta contenuto, quindi la differenza è reale ma non enorme. È un buon esempio di come una significatività statistica possa convivere con un impatto pratico moderato.
Questo tipo di esempio è utile perché mostra anche un fatto spesso trascurato: nel caso 2×2 la statistica chi-quadro coincide con il quadrato dello z-test sulle proporzioni. Le due strade portano alla stessa conclusione, ma il linguaggio cambia a seconda di come vuoi presentare il risultato.
Come leggere il risultato senza forzare l’interpretazione
Il valore finale non va letto da solo. Io guardo sempre tre cose insieme: statistica χ², gradi di libertà e valore p. Solo il loro insieme dice se i dati sono compatibili con l’ipotesi nulla oppure no.
La lettura corretta è questa:
- Se p < α, rifiuto l’ipotesi nulla e concludo che i dati mostrano un’associazione o una deviazione compatibile con il modello alternativo.
- Se p ≥ α, non ho evidenza sufficiente per rifiutare l’ipotesi nulla.
- In nessun caso il test prova una causa: dice solo se lo scarto osservato è abbastanza grande da essere poco plausibile sotto H0.
Per questo, quando il campione è molto grande, posso ottenere significatività anche con differenze minime. È uno dei motivi per cui, in analisi serie, il p-value non basta mai da solo. Se la dimensione dell’effetto è piccola, l’informazione pratica può essere modesta anche quando la significatività è raggiunta.
Un altro punto utile è il seguente: il test chi-quadro è una prova di discrepanza, non di direzione. Se il risultato è significativo, so che c’è qualcosa da approfondire, ma non so ancora quale cella spinga di più la relazione. Per questo, quando serve maggiore dettaglio, guardo i residui standardizzati: mostrano dove l’osservato si discosta davvero dall’atteso e aiutano a leggere la tabella con più precisione. Dal risultato, quindi, passo alla verifica delle condizioni, perché è lì che si decide se il test è davvero affidabile.
Gli errori più comuni che falsano il test
Nella pratica gli sbagli non nascono quasi mai dalla formula. Nascono dai dati, dalla tabella o da una lettura troppo frettolosa del risultato. Le situazioni che controllo per prime sono queste:
- Uso di percentuali invece di conteggi: il test lavora su frequenze assolute, non su valori percentuali già normalizzati.
- Cellule con attesi troppo piccoli: se molte frequenze attese scendono sotto 5, l’approssimazione può indebolirsi.
- Dati non indipendenti: se lo stesso soggetto compare più volte, il test non è adatto così com’è.
- Variabile numerica trasformata male in categorie: raggruppare tutto in etichette troppo ampie può far perdere informazione utile.
- Confusione tra associazione e causalità: un legame statistico non dimostra che una variabile causi l’altra.
Come regola pratica, io mi muovo così: se le frequenze attese sono troppo basse, provo a unire categorie vicine solo quando il raggruppamento ha senso sostanziale. Se non ce l’ha, forzare il test è un errore, non una semplificazione. Nei casi più delicati, soprattutto con tabelle 2×2 e campioni piccoli, un test esatto come Fisher può essere più onesto del chi-quadro.
C’è anche un altro dettaglio che spesso viene trascurato: il test chi-quadro funziona bene con dati categoriali e campioni ragionevolmente ampi, ma non è lo strumento giusto per confrontare medie, distribuzioni continue o differenze quantitative già misurate con precisione. In quei casi si cambia famiglia di test, non si forza la procedura. Questo è il punto che separa un calcolo corretto da un’analisi solo in apparenza rigorosa.
Quando il chi-quadro aggiunge davvero valore all’analisi
Il test chi-quadro dà il meglio quando hai una tabella chiara, categorie ben definite e una domanda semplice ma sostanziale: i dati che vedo sono compatibili con ciò che mi aspetterei, oppure no? In questo scenario è veloce, leggibile e molto utile per dati sociali, economici e istituzionali.
Io lo trovo particolarmente solido quando servono confronti tra gruppi, lettura di sondaggi o verifiche di distribuzioni teoriche. Meno utile, invece, quando il campione è piccolo, le categorie sono costruite male o la domanda di ricerca richiede un’informazione più fine di quella che una semplice tabella di frequenze può offrire.
Se vuoi usare bene il calcolo chi quadro, tieni ferme tre abitudini: controlla sempre gli attesi, leggi il risultato insieme alla dimensione dell’effetto e non scambiare una significatività statistica per una spiegazione causale. Quando queste tre cose sono in ordine, il test diventa uno strumento concreto e non un rituale di calcolo.
In pratica, mi fido del risultato solo quando la tabella è pulita, le categorie hanno senso e le condizioni del test sono rispettate. Se queste basi ci sono, il chi-quadro è un ottimo filtro iniziale; se mancano, conviene fermarsi prima di interpretare numeri che sembrano precisi ma non lo sono davvero.
