Statistica per la Ricerca Sociale - Note Encyclopediche

Introduzione alla Scienza Statistica

La statistica è una disciplina scientifica che si occupa dei modi di apprendere dai dati e della loro organizzazione, analisi e interpretazione. Il termine deriva storicamente dalla parola "stato", in quanto l'origine di questa scienza è legata al conteggio e alla gestione dei dati amministrativi. Oggi la statistica è fondamentale per prendere decisioni in ambiti scientifici, medici, economici, sociali e politici, come ad esempio l'analisi dei risultati clinici per la commercializzazione di nuovi medicinali. Gli statistici operano in settori diversificati che vanno dall'astronomia alla psicologia, passando per la genetica e il marketing. Da un punto di vista matematico, le grandezze che non subiscono variazioni sono definite costanti. Al contrario, la variabilità è una caratteristica intrinseca del mondo fisico e sociale; la statistica ha proprio il compito di studiare e interpretare tale variabilità. In sintesi, la statistica può essere intesa come una branca della matematica, come l'insieme delle misure risultanti dall'applicazione di algoritmi di calcolo o come un metodo metodologico per rivelare i meccanismi generatori dei dati.

La disciplina si suddivide in due branche principali: la statistica descrittiva e la statistica inferenziale. La statistica descrittiva ha il compito di sintetizzare e descrivere le caratteristiche di un insieme di misurazioni attraverso l'uso di grafici, tabelle e indici statistici. La statistica inferenziale, invece, parte dall'osservazione di un sottoinsieme casuale chiamato campione per trarre conclusioni generali sulla popolazione di riferimento. Questo processo si basa sulla teoria della probabilità, che formula modelli di comportamento per comprendere i fenomeni osservati. Un esempio classico di inferenza consiste nel chiedere a 1000 abitanti di una regione le proprie intenzioni di voto per prevedere il comportamento elettorale di tutti i potenziali elettori residenti.

La Misurazione e l'Operazionalizzazione dei Concetti

L'indagine statistica segue un percorso rigoroso articolato in diverse fasi: il disegno dell'indagine, l'individuazione dei soggetti, la definizione delle variabili e delle misure, la scelta della scala di misura, la raccolta e l'organizzazione dei dati in matrici, il controllo di qualità, la verifica di correttezza e, infine, la sintesi delle tendenze di fondo. Uno dei processi cruciali è l'operazionalizzazione, che permette di trasformare un concetto astratto (come la coesione sociale o la libertà) in una variabile misurabile attraverso dimensioni, indicatori e indici. Ad esempio, il concetto di parità di genere può essere operazionalizzato attraverso il tasso di forza lavoro maschile e femminile. Va notato che non tutti i fenomeni sono facilmente misurabili, come nel caso della violenza psicologica o delle molestie sul lavoro, che presentano sfide metodologiche superiori.

Secondo Stevens, la misurazione consiste nell'attribuzione di numeri a oggetti o eventi seguendo regole determinate, in modo che le relazioni tra i numeri riflettano le relazioni tra le caratteristiche reali del fenomeno. Si distinguono due tipi di entità: la costante, che assume lo stesso valore in tutte le unità di osservazione, e la variabile, che assume valori differenti. Le variabili devono possedere tre caratteristiche fondamentali: l'esaustività (devono coprire tutte le manifestazioni del fenomeno), la mutua esclusione (ogni soggetto può assumere un solo valore) e la normalizzazione (la somma delle frequenze deve corrispondere alla numerosità totale $N$).

Le Scale di Misura e la Tipologia delle Variabili

Le variabili possono essere classificate in discrete, quando assumono solo valori specifici senza possibilità di intermedi (es. numero di volte dal dentista), o continue, quando tra due valori esiste un numero infinito di possibilità (es. altezza, peso o tempo). Stevens ha proposto quattro scale di misura gerarchiche. La scala nominale è di tipo qualitativo e permette solo di stabilire relazioni di uguaglianza o diversità (es. sesso, professione, colore degli occhi). La scala ordinale introduce un ordinamento tra le categorie, permettendo di stabilire relazioni di maggiore o minore, ma senza definire una distanza costante tra i livelli (es. titolo di studio o gradimento). Esistono anche le scale per ranghi, dove il numero rappresenta la posizione in graduatoria.

Le scale quantitative comprendono la scala a intervalli equivalenti e la scala a rapporti equivalenti. Nella scala a intervalli, è possibile stabilire una distanza tra i valori, ma non esiste uno zero assoluto che indichi l'assenza della caratteristica (es. la temperatura in Celsius o il test del QI). Nella scala a rapporti equivalenti, esiste uno zero assoluto e il rapporto tra i valori ha un significato diretto (es. altezza, peso, numero di figli o età). È possibile abbassare il livello di misurazione (da rapporti a ordinale) per scopi descrittivi, perdendo però informazioni originali. In psicologia, punteggi discreti vengono spesso trattati come continui aggiustando i limiti della classe di plus o minus $0.5$ (es. l'intervallo 0-1 diventa $0.5 - 1.5$).

Organizzazione dei Dati e Distribuzioni di Frequenza

Una volta raccolti, i dati devono essere organizzati in tabelle di frequenza per essere interpretabili. La frequenza assoluta indica quante volte un valore compare, mentre la frequenza percentuale esprime tale valore rispetto al totale. Se la variabile è almeno ordinale, si calcolano le frequenze cumulate, che indicano quanti punteggi si accumulano fino a un certo punto della distribuzione. Quando i valori sono numerosi, si ricorre al raggruppamento in classi (es. fasce d'età di 5 anni). In questo caso, si perde l'informazione del singolo punteggio, ma si ottiene una visione d'insieme più chiara. In ambito psicologico, per rendere contigue le classi di punteggi discreti si applica la correzione dei limiti reali.

La rappresentazione grafica varia in base alla scala: per le variabili nominali e ordinali si usano grafici a barre o a torta. Per le variabili discrete si preferiscono le barre, mentre per le variabili continue organizzate in classi si utilizza l'istogramma, dove i rettangoli sono adiacenti. Nell'istogramma, se la base è unitaria, l'altezza rappresenta la densità di frequenza. In SPSS, la creazione di tabelle e grafici avviene attraverso il menu "Analizza > Statistiche descrittive > Frequenze" o tramite il "Chart Builder" per istogrammi avanzati. Per identificare i casi, si può utilizzare la funzione "Target Variable: cod" con l'espressione "$CASENUM".

Indici di Tendenza Centrale e Forma della Distribuzione

L'obiettivo della tendenza centrale è riassumere una distribuzione con un unico valore rappresentativo. La moda (o norma) è il valore con la frequenza massima; è l'unico indice utilizzabile per le scale nominali e la distribuzione può essere unimodale, bimodale o multimodale. La mediana è il punteggio centrale in una serie ordinata (il 50-esimo percentile); se $N$ è dispari la posizione è $\frac{N+1}{2}$, se pari è la media dei due valori centrali. La media aritmetica ($M$ o $\bar{x}$, o \text{\mu} per la popolazione) è la somma di tutti i valori divisa per la numerosità $N$: $M = \frac{\sum x}{N}$. La media è influenzata dai valori estremi (outliers), mentre la mediana è più robusta.

La media rappresenta il baricentro della distribuzione. Per dati dicotomici (0 e 1), la media corrisponde alla proporzione di "presenza" del fenomeno. La forma della distribuzione può essere simmetrica (media, mediana e moda coincidono) o asimmetrica. Nell'asimmetria positiva (destra), la coda è più lunga a destra e la moda è minore della media. Nell'asimmetria negativa (sinistra), la coda è più lunga a sinistra e la moda è maggiore della media. La curtosi indica l'appiattimento o l'appuntimento della curva rispetto alla forma a campana standard (leptocurtica se appuntita, platicurtica se piatta).

Misure di Variabilità e Dispersione

La variabilità indica quanto i punteggi sono dispersi attorno alla media. Il range (o campo di variazione) è la differenza tra il valore massimo e il minimo. La varianza è la media dei quadrati degli scarti tra ogni punteggio e la media aritmetica. La formula della varianza per la statistica descrittiva è: $\sigma^2 = \frac{\sum(X-M)^2}{N}$. Elevando al quadrato gli scarti si ottengono valori sempre positivi e si dà maggior peso alle distanze elevate. Tuttavia, la varianza è un indice quadratico non direttamente confrontabile con l'unità di misura originale. Per questo si usa la deviazione standard ($DS$ o $\sigma$), che è la radice quadrata della varianza: $DS = \sqrt{\frac{\sum(X-M)^2}{N}}$.

Nella statistica inferenziale, per ottenere una stima non distorta della varianza della popolazione, si divide per i gradi di libertà ($gl = N - 1$): $S^2 = \frac{\sum(X-M)^2}{N-1}$. Proprietà importanti: se si aggiunge una costante $k$ a ogni valore, $DS$ non cambia; se si moltiplica ogni valore per $k$, anche $DS$ viene moltiplicata per $k$. Il coefficiente di variazione ($DS/M$) permette di confrontare la variabilità di distribuzioni con medie diverse.

La Standardizzazione e i Punti Z

I punti Z indicano quante deviazioni standard un punteggio si colloca sopra o sotto la media. La trasformazione di un punteggio grezzo $X$ in un punto $Z$ avviene tramite la formula: $Z = \frac{X-M}{DS}$. I punti Z sono numeri puri, privi di unità di misura, e permettono di confrontare variabili diverse (es. voti in matematica vs test di distress). In qualsiasi distribuzione di punti Z, la media è sempre $0$ e la deviazione standard è sempre $1$. La standardizzazione non altera la forma della distribuzione originale, ma cambia solo la scala di riferimento. In SPSS, i valori standardizzati si salvano tramite "Analyze > Descriptive Statistics > Descriptives", spuntando la casella per salvare i valori come nuove variabili.

La Curva Normale e il Campionamento

Molte variabili naturali e sociali seguono la distribuzione normale o curva di Gauss, una distribuzione teorica unimodale, simmetrica e asintotica (le code tendono a zero senza mai toccare l'asse $x$). Nella curva normale standardizzata $Z(0,1)$, circa il $68\%$ dei punteggi cade tra $±1$ DS, il $95\%$ tra $±1.96$ DS e il $96\%$ tra $±2$ DS. I ricercatori studiano campioni per fare inferenze sulle popolazioni. I parametri della popolazione (come $\mu$ e $\sigma$) sono spesso ignoti e vengono stimati tramite le statistiche campionarie ($M$ e $S$).

Il metodo ideale è il campionamento casuale, in cui ogni unità ha la stessa probabilità di essere estratta. Se l'estrazione avviene con reimmissione, i risultati sono indipendenti. Il teorema centrale del limite afferma che, all'aumentare dell'ampiezza campionaria ($N ≥ 30$), la distribuzione delle medie campionarie tende alla normale, indipendentemente dalla forma della popolazione. L'errore standard ($ES$ o $\sigma_M$) misura la precisione della stima della media: $ES = \frac{\sigma}{\sqrt{N}}$. All'aumentare di $N$, l'$ES$ diminuisce, rendendo la stima più accurata.

La Logica della Verifica delle Ipotesi

La verifica delle ipotesi è un procedimento sistematico basato sulla logica della doppia negazione: si decide se i dati sostengono un'ipotesi ricercando quanto sia improbabile che l'effetto non esista. L'ipotesi nulla ($H_0$) postula l'assenza di effetto o differenza ($\mu_1 = \mu_2$). L'ipotesi di ricerca o alternativa ($H_1$) postula la presenza di un effetto ($\mu_1 \neq \mu_2$ per test bilaterale, o $\mu_1 < \mu_2$ per monolaterale). Il livello di significatività ($\alpha$), solitamente fissato a $0.05$ ($5\%$) o $0.01$ ($1\%$), rappresenta il rischio accettabile di commettere un errore di I tipo (rifiutare $H_0$ quando è vera).

Il processo si articola in 5 fasi: 1) Formulazione di $H_0$ e $H_1$; 2) Determinazione della distribuzione di riferimento; 3) Definizione del valore critico o soglia (cut-off); 4) Calcolo del valore sperimentale nel campione; 5) Decisione statistica. Se il p-value (probabilità di ottenere un risultato così estremo se $H_0$ è vera) è inferiore ad $\alpha$, si rifiuta $H_0$ e il risultato è statisticamente significativo. Un esempio citato riguarda i neonati e una vitamina purificata: se il bambino che assume la vitamina cammina a 6 mesi ($Z = -2.67$) e il valore critico è $-2$, si rifiuta l'ipotesi nulla concludendo che la vitamina ha effetto.

Il Test t di Student

Quando la deviazione standard della popolazione è ignota, si utilizza il test t, che impiega la deviazione standard stimata del campione $S$. La distribuzione t di Student (sviluppata da Gosset sotto pseudonimo) è simile alla normale ma con code più pesanti, la cui forma dipende dai gradi di libertà ($gl = N - 1$). Esistono tre varianti principali: il t-test per campione unico (confronta la media campionaria con un valore noto), il t-test per campioni appaiati o dipendenti (misure ripetute sugli stessi soggetti, basato sulle differenze dei punteggi) e il t-test per campioni indipendenti (confronta le medie di due gruppi distinti).

Nel t-test per campioni indipendenti, si assume l'indipendenza delle osservazioni e la normalità della distribuzione. Un assunto critico è l'omoschedasticità (uguaglianza delle varianze), verificata tramite il test di Levene. Se il test di Levene ha un p-value $> 0.05$, le varianze sono considerate uguali e si legge la prima riga dell'output SPSS. La formula generale del test t è: $t = \frac{M - \mu}{S_M}$. Per campioni dipendenti, il test si esegue sulla media delle differenze tra prima e dopo il trattamento, ipotizzando che la media della popolazione delle differenze sia $0$.

Analisi Bivariata: Correlazione e Casualità

La correlazione esamina la relazione tra due variabili quantitative. Il diagramma di dispersione (scatter plot) permette di visualizzare tale relazione: può essere lineare (costante) o curvilinea. La correlazione è positiva (diretta) se al crescere di $X$ cresce $Y$, negativa (inversa) se al crescere di $X$ diminuisce $Y$. Il coefficiente di correlazione di Pearson ($r$) misura la forza e la direzione della relazione lineare: $r = \frac{\sum Z_X Z_Y}{N}$. Il valore di $r$ oscilla tra $-1$ e $+1$. Il quadrato del coefficiente ($r^2$) rappresenta la proporzione di varianza spiegata o coefficiente di determinazione.

Se la relazione non è lineare o le variabili sono ordinali, si usa il rho di Spearman, basato sui ranghi. Valori anomali possono distorcere pesantemente $r$. È fondamentale ricordare che la correlazione non implica casualità; un legame significativo tra $X$ e $Y$ può essere dovuto a $X$ che causa $Y$, $Y$ che causa $X$, o a una terza variabile $Z$ che causa entrambe (correlazione spuria). Un esempio di correlazione spuria è il legame tra numero di cicogne e nascite, spiegato dalla variabile stagionalità.

Il Test Chi Quadro ($\chi^2$)

Il test chi quadro si applica a variabili nominali (categorie) e si basa sulle frequenze. Il test per la bontà dell'adattamento confronta le frequenze osservate ($O$) in una singola variabile con quelle attese ($A$) se l'ipotesi nulla fosse vera. Il test per l'indipendenza utilizza tabelle di contingenza a doppia entrata per verificare se esiste un legame tra due variabili categoriali (es. genere ed età dei personaggi nei cereali). La frequenza attesa per ogni cella è calcolata come: $A = \frac{R \times C}{N}$, dove $R$ e $C$ sono i totali di riga e colonna.

La statistica chi quadro è definita come: $\chi^2 = \sum \frac{(O-A)^2}{A}$. I gradi di libertà per l'indipendenza sono $gl = (N_{colonne} - 1)(N_{righe} - 1)$. La distribuzione chi quadro è asimmetrica positiva e parte da zero. Se il valore ottenuto è superiore al valore critico, si rifiuta l'ipotesi di indipendenza. In SPSS, l'analisi si effettua tramite "Analizza > Statistiche descrittive > Tavole di contingenza (Crosstabs)", richiedendo il test Chi-quadrato e le frequenze attese.

Errori Decisionali e Conclusioni

Nella verifica delle ipotesi sono possibili due errori. L'errore di I tipo (falso positivo) consiste nel rifiutare $H_0$ quando è vera; la sua probabilità è pari ad $\alpha$. L'errore di II tipo (falso negativo) consiste nel non rifiutare $H_0$ quando è falsa (ovvero quando $H_1$ è vera). I ricercatori cercano di bilanciare questi rischi per garantire la solidità delle conclusioni scientifiche. La logica della doppia negazione ("non si può dire che non funziona") rimane il pilastro dell'inferenza statistica moderna. Le simulazioni d'esame in SPSS richiedono l'applicazione di queste tecniche su dataset reali come "simulazione_complessiva.sav", dove l'interpretazione del p-value e della decisione statistica è cruciale per la valutazione.

Procedimenti per l'Analisi Dati in Jamovi in confronto a SPSS

Jamovi è un software di analisi statistica open-source che offre un'interfaccia user-friendly e simile a SPSS, ma con alcune differenze nella terminologia e nelle procedure. Di seguito sono riportati alcuni parallelismi e indicazioni su come eseguire i procedimenti menzionati in SPSS nel contesto di Jamovi.

Creazione di Tabelle di Frequenza

In SPSS:

Analizza > Statistiche descrittive > Frequenze

In Jamovi:

Analisi > Statistiche descrittive > Tabelle di frequenza. Puoi selezionare le variabili desiderate e visualizzare le frequenze assolute e percentuali direttamente nella finestra dei risultati.

Definizioni tecniche:

• Frequenza Assoluta: Numero di volte che un valore specifico appare nel dataset.

• Frequenza Percentuale: Percentuale rispetto al totale delle osservazioni, calcolata come (Frequenza Assoluta/Numero Totale di Osservazioni) * 100.

Analisi Grafica

In SPSS:

Analizza > Statistiche descrittive > Grafici

In Jamovi:

Analisi > Grafici > istogrammi/griglie/barre. Scegli le variabili e il tipo di grafico desiderato per visualizzare i dati.

Definizioni tecniche:

• Istogramma: Rappresentazione grafica di una distribuzione di frequenza per variabili continue utilizzando barre per mostrare la frequenza per intervalli di valore.

• Grafico a Barre: Utilizzato per visualizzare frequenze di variabili categoriche, mostrando ogni categoria come una barra di altezza proporzionale alla frequenza.

Esempi di Grafici

• Istogramma di una Variabile Continua:

  

• Grafico a Barre di una Variabile Categoriale:

  

Calcolo di Statistiche Descrittive

In SPSS:

Analizza > Statistiche descrittive > Descrittive

In Jamovi:

Analisi > Statistiche descrittive > Descrittive. Puoi ottenere media, mediana, moda, deviazione standard e altro in un'unica tabella.

Definizioni tecniche:

• Media Aritmetica (M): Somma di tutti i valori divisa per il numero totale di valori (N). Rappresenta il punto centrale di un insieme di dati.

• Mediana: Il valore centrale in un insieme ordinato di dati; separa i dati in due metà.

• Deviata Standard (DS): Misura della dispersione dei dati rispetto alla media; calcolata come la radice quadrata della varianza.

Esecuzione del Test t di Student

In SPSS:

Analizza > Confronta mezzi > Test t

In Jamovi:

Analisi > Test t. Puoi eseguire confronti tra due gruppi selezionando le variabili appropriate e specificando le opzioni desiderate.

Definizioni tecniche:

• Test t di Student: Utilizzato per determinare se ci sono differenze significative tra le medie di due gruppi; calcola un valore t che viene confrontato con una distribuzione t per determinare la significatività.

Esecuzione del Test Chi Quadro

In SPSS:

Analizza > Statistiche descrittive > Tavole di contingenza (Crosstabs)

In Jamovi:

Analisi > Chi Quadro. Puoi inserire variabili nominali per verificare associazioni tra di esse.

Definizioni tecniche:

• Test Chi Quadro ($\chi^2$): Test statistico per determinare se esiste una relazione significativa tra due variabili categoriche; confronta le frequenze osservate con quelle attese sotto l'ipotesi nulla.

Spiegazione Comprensibile per Ogni Concetto

• Frequenze: Quante volte un valore appare in un dataset; serve per avere un’idea di quanto un certo fenomeno si verifica.

• Grafici: Strumenti visivi che aiutano a capire meglio i dati rendendo le informazioni più accessibili e facili da interpretare.

• Statistiche Descrittive: Strumenti per riassumere e descrivere le caratteristiche principali di un dataset, fornendo una sintesi utile per comprendere le tendenze generali.

• Test Statistici: Metodi per valutare se le osservazioni fatte in un campione possono essere generalizzate a una popolazione più ampia. Questi test sono fondamentali per trarre conclusioni basate su dati campionari.