In statistica, una variabile categorica serve quando un carattere non si misura in metri, euro o minuti, ma si colloca in un insieme limitato di modalità, come sesso, livello di istruzione, area geografica o tipo di contratto. Capire come leggerla cambia il modo in cui si raccolgono i dati, si costruiscono le tabelle e si scelgono i grafici giusti. Qui trovi una spiegazione pratica, con esempi, differenze tra i tipi di variabile e gli errori che alterano facilmente l’analisi.
Le informazioni essenziali da tenere a mente
- Una variabile di questo tipo descrive categorie, non quantità continue.
- La distinzione decisiva è semplice: le modalità hanno un ordine naturale oppure no.
- Nei dati nominali contano soprattutto frequenze, proporzioni e moda.
- Nei dati ordinali si possono leggere anche mediana e quantili, con più cautela.
- Numeri come 1, 2, 3 spesso sono solo codici, non valori da sommare o mediare.
- Per analizzarla bene servono tabelle di frequenza, grafici a barre e, quando serve, variabili dummy o test di associazione.
Che cosa rende davvero categorica una variabile
Io la riconosco con una domanda molto semplice: posso ordinare le modalità in modo oggettivo? Se la risposta è no, ho davanti un dato nominale; se la risposta è sì, ma l’ordine è limitato a qualche livello di intensità o posizione, il dato è ordinale. In entrambi i casi non sto misurando una grandezza continua, sto assegnando un’etichetta utile per descrivere un fenomeno.
| Elemento | Significato pratico | Esempio |
|---|---|---|
| Modalità | Una delle categorie possibili | italiano, francese, tedesco |
| Codice numerico | Un’etichetta tecnica per il software | 1 = italiano, 2 = francese |
| Ordine naturale | Esiste solo in alcuni casi | basso, medio, alto |
| Numero di categorie | Di solito è finito e ben definito | sì/no, 3 livelli, 5 classi |
Il punto delicato è proprio questo: il numero che assegni in un file non trasforma automaticamente una categoria in una misura quantitativa. Se scrivo 1, 2 e 3 per indicare tre regioni, quei valori restano nomi mascherati da numeri. Per questo, quando lavoro su un dataset, non mi chiedo mai solo “quanti codici vedo?”, ma soprattutto “che cosa rappresentano davvero?”.
Nominale, ordinale e binaria
Le variabili categoriche non sono tutte uguali. La distinzione che uso più spesso è tra nominali, ordinali e binarie, perché da lì dipende quasi tutto: come le sintetizzo, quali grafici scelgo e quali confronti hanno senso.
| Tipo | Ordine naturale | Esempi | Cosa funziona meglio |
|---|---|---|---|
| Nominale | No | regione, cittadinanza, settore economico | frequenze, percentuali, moda |
| Ordinale | Sì | titolo di studio, livello di soddisfazione, classe di rischio | frequenze ordinate, mediana, quantili |
| Binaria | No, ma solo due modalità | sì/no, occupato/disoccupato, approvato/bocciato | proporzioni, confronto tra gruppi, modelli logistici |
Qui c’è una soglia pratica molto utile: se le modalità sono solo due, la variabile è binaria o dicotomica. Se sono più di due e non esiste un ordine condiviso, resta nominale. Se invece l’ordine esiste, come nel caso di una scala di soddisfazione da “basso” a “alto”, allora siamo nel campo ordinale. Questa distinzione conta più del nome con cui il campo è stato salvato nel software.
Nella mia esperienza, è proprio qui che nascono gli errori più costosi: si prende una variabile ordinata e la si tratta come se fosse una quantità precisa, oppure si prende una variabile nominale e la si forza dentro una media aritmetica che non dice nulla. La prudenza, in statistica, non è lentezza: è coerenza.
Dove la incontri nei dati economici e sociali
Nei dati economici, sociali e istituzionali questo tipo di variabile compare ovunque. Io la incontro quando devo capire chi risponde a un questionario, come si distribuiscono i lavoratori tra settori, oppure come cambia la composizione di un campione tra paesi o regioni.
- Area geografica - regione, provincia, paese o circoscrizione. Serve per leggere differenze territoriali senza confondere il luogo con una quantità.
- Tipo di contratto - tempo indeterminato, tempo determinato, part-time, autonomo. È un ottimo esempio di variabile nominale utile per studiare il mercato del lavoro.
- Livello di istruzione - scuola dell’obbligo, diploma, laurea, post-laurea. Qui l’ordine esiste, quindi la lettura è ordinata.
- Fascia di reddito - bassa, media, alta, quando il reddito numerico è stato raggruppato in classi. La variabile originale è quantitativa, ma la versione raggruppata diventa categorica.
- Stato di una misura pubblica - in preparazione, approvata, applicata, sospesa. In ambito istituzionale questa classificazione è molto più leggibile di un numero isolato.
Questo è il motivo per cui la variabile non è solo un dettaglio tecnico: cambia la qualità dell’informazione. Se sto studiando una politica sociale o un confronto tra paesi europei, sapere quante persone stanno in una categoria è spesso più utile del tentativo di ridurre tutto a una media astratta. E da qui si passa naturalmente al punto decisivo: come si analizza bene senza deformarla.
Come si analizza senza forzare i numeri
Quando lavoro su una variabile di questo tipo, parto quasi sempre da tre cose: frequenze, proporzioni e grafici semplici. Le frequenze assolute dicono quante osservazioni cadono in ogni categoria; le frequenze relative trasformano quei conteggi in percentuali; la moda indica la categoria più comune. Per una variabile nominale, spesso basta già questo per ottenere una lettura solida.
| Obiettivo | Strumento adatto | Nota pratica |
|---|---|---|
| Descrivere la distribuzione | tabella di frequenza | è il punto di partenza quasi sempre corretto |
| Confrontare gruppi | tabella incrociata | utile per incrociare due variabili categoriche |
| Valutare un’associazione | test del chi-quadro | lavora bene quando conti e categorie sono chiari |
| Rappresentare visivamente | grafico a barre o mosaic plot | preferibili all’istogramma, che è pensato per dati numerici |
| Usare la variabile in un modello | dummy variables o codifica one-hot | ogni categoria diventa una colonna binaria, con una categoria di riferimento |
Se la variabile è ordinale, posso andare un passo oltre e usare mediana o quantili, ma con attenzione. Non tutte le distanze tra le categorie sono uguali, quindi la media resta fragile e, in molti casi, poco difendibile. Nei modelli statistici più comuni, poi, conviene distinguere bene tra variabile esplicativa e variabile risposta: se la risposta è categorica, spesso servono regressione logistica o multinomiale, non una regressione lineare applicata a numeri di comodo.
Un’altra regola pratica che seguo è semplice: se le categorie sono poche, il grafico a barre funziona quasi sempre; se sono molte e sparse, prima raggruppo o filtro, poi mostro il dato. La chiarezza del grafico conta più dell’abbondanza di etichette.
Gli errori più comuni quando la si codifica
Il problema non è assegnare numeri alle categorie. Il problema è dimenticare che quei numeri spesso sono solo un supporto tecnico. Quando questo passaggio viene ignorato, l’analisi sembra precisa ma in realtà perde significato.
- Calcolare la media dei codici - se 1 significa “sì” e 2 significa “no”, una media di 1,4 non racconta nulla di utile.
- Scambiare il codice per un ordine reale - mettere 1, 2, 3 non vuol dire che la seconda categoria “vale” il doppio della prima.
- Usare l’istogramma per categorie pure - l’istogramma nasce per dati numerici continui o per classi numeriche, non per etichette.
- Lasciare troppe categorie quasi identiche - se diventano troppo numerose, la lettura si frammenta e la variabile perde utilità operativa.
- Raggruppare senza criterio - unire categorie rare può essere corretto, ma solo se il criterio è trasparente e coerente con l’obiettivo dell’analisi.
Qui vale una distinzione che considero fondamentale: semplificare non è barare, purché la semplificazione sia dichiarata. Se invece comprimo categorie diverse solo per rendere più facile un calcolo, sto cambiando il significato del dato. E a quel punto il risultato può sembrare elegante, ma non è più affidabile.
La regola pratica che uso per non sbagliare lettura
Quando devo decidere come trattare una variabile, seguo sempre lo stesso ordine mentale: prima mi chiedo se le modalità sono solo etichette, poi verifico se esiste un ordine naturale, infine scelgo una sintesi che non tradisca il dato. È una verifica semplice, ma elimina gran parte degli errori che vedo fare nei report e nei dashboard.
Se non posso ordinare le categorie, mi fermo su frequenze, percentuali, moda e confronti tra gruppi. Se invece l’ordine esiste, posso usare strumenti un po’ più raffinati, ma senza trasformare la scala in una finta misura continua. È questa disciplina, più della codifica numerica, che rende la lettura robusta.
Per i dati economici e sociali la regola è ancora più utile: categorie chiare, criteri espliciti e grafici coerenti producono analisi più leggibili di qualunque scorciatoia. Quando questo impianto è ben costruito, la variabile resta un’informazione utile, non un’etichetta confusa dentro una tabella.
