L’analisi dei dati è il punto in cui si blocca un’enorme quantità di tesi sperimentali. La raccolta è finita, il dataset è lì, ma trasformare quei numeri in un capitolo “Risultati” credibile richiede di sapere tre cose: quale test scegliere, come eseguirlo correttamente e come interpretarlo. Ti affianchiamo su tutte e tre, qualunque sia la tua disciplina.
Consulenza statistica: la domanda viene prima del software
Il primo errore è aprire SPSS e cercare il pulsante giusto. La scelta del test non dipende dal software ma dal disegno dello studio e dal tipo di variabili. Tre domande risolvono la maggior parte dei casi:
- Cosa vuoi sapere? Confrontare gruppi, misurare una relazione, prevedere un valore.
- Che variabili hai? Categoriali (sì/no, gruppi) o continue (punteggi, misure).
- Come sono organizzati i dati? Gruppi indipendenti o stesse persone misurate più volte.
Da qui si arriva allo strumento corretto:
- confronto tra due gruppi → t-test (indipendente o appaiato);
- confronto tra più gruppi → ANOVA (a una o più vie, anche per misure ripetute);
- relazione tra due variabili continue → correlazione o regressione lineare;
- relazione tra variabili categoriali → chi-quadro;
- previsione di un esito binario → regressione logistica;
- struttura latente di un questionario → analisi fattoriale (EFA/CFA).
I software: SPSS, R, Stata, jamovi
Lavoriamo con tutti gli strumenti standard e ti aiutiamo a scegliere quello giusto per il tuo contesto:
- SPSS — il più diffuso in psicologia, scienze sociali e area sanitaria, interfaccia a menu;
- jamovi — gratuito e open source, interfaccia simile a SPSS: ottimo se non hai la licenza;
- R e Python — gratuiti e potentissimi, ideali se serve riproducibilità o analisi avanzate;
- Stata — molto usato in economia ed epidemiologia.
Non conta solo “far girare” l’analisi: conta saperla rifare e spiegare. Per questo, dove serve, ti lasciamo lo script o la sintassi dei comandi.
Le assunzioni: il passaggio che la commissione controlla
Ogni test ha dei presupposti che vanno verificati prima di fidarsi dei risultati: normalità della distribuzione, omogeneità delle varianze, linearità, assenza di multicollinearità. Saltare questo controllo è l’errore che un relatore esperto individua subito. Ti guidiamo nella verifica (test di Shapiro-Wilk, Levene, ispezione dei grafici) e, quando le assunzioni non reggono, nella scelta dell’alternativa corretta — per esempio un test non parametrico come Mann-Whitney o Kruskal-Wallis.
Oltre il p-value: l’effect size
Per anni la domanda è stata solo “è significativo?”. Oggi le buone pratiche — e le norme APA — richiedono di riportare anche la dimensione dell’effetto: Cohen’s d, eta quadro, R². Il motivo è semplice: con un campione grande quasi tutto diventa “significativo”, ma significativo non vuol dire rilevante. L’effect size dice quanto è grande l’effetto, ed è ciò che rende l’interpretazione onesta. Ti spieghiamo come calcolarlo, riportarlo in tabella e commentarlo.
Interpretare e riportare i risultati
Avere l’output non basta: bisogna tradurlo in frasi corrette. Ti spieghiamo, riga per riga, cosa significano statistica del test, gradi di libertà, p-value e intervalli di confidenza, e come costruire le tabelle dei risultati secondo le convenzioni del tuo corso (in APA, per esempio, niente bordi verticali, medie e deviazioni standard come M e DS). E se il risultato non è quello sperato — un p sopra 0,05 — ti aiutiamo a riportarlo con correttezza: anche un’ipotesi non confermata è un esito scientifico valido, da discutere e non da nascondere.
L’obiettivo non è solo darti i numeri, ma metterti in condizione di difenderli in discussione: l’analisi resta una parte della tua tesi, e devi poterla spiegare con sicurezza.
