ANOVA — spiegazione dell’analisi della varianza

L’ANOVA, abbreviazione di analisi della varianza, verifica se il risultato medio differisce tra più gruppi. In un’ANOVA a una via, si confronta la variabilità tra le medie dei gruppi con la variabilità all’interno dei gruppi, ottenendo così la statistica $F$.

Di solito è lo strumento giusto quando hai una variabile categoriale di raggruppamento, una risposta quantitativa e vuoi un unico test complessivo invece di eseguire molti $t$-test separati. Se la variabilità tra gruppi è grande rispetto alla variabilità interna ai gruppi, questo è un indizio che non tutte le medie della popolazione sono uguali.

Per un’ANOVA classica a una via, la statistica del test è

$$F = \frac{MS_B}{MS_W}$$

dove $MS_B$ è il quadrato medio tra i gruppi e $MS_W$ è il quadrato medio entro i gruppi. Un valore di $F$ più grande suggerisce che le medie dei gruppi siano più separate di quanto ci si aspetterebbe dal solo rumore ordinario entro i gruppi.

Cosa verifica l’ANOVA

L’ipotesi nulla usuale per un’ANOVA a una via è

$$H_0: \mu_1 = \mu_2 = \cdots = \mu_k$$

L’alternativa non è “tutte le medie sono diverse”. È più debole: almeno una media di gruppo differisce da almeno un’altra media di gruppo.

Questo punto è importante perché l’ANOVA è un test complessivo. Un risultato significativo dice che c’è evidenza di qualche differenza da qualche parte, ma non identifica quali gruppi differiscono. Per questo di solito servono confronti successivi.

Perché l’ANOVA usa la varianza per confrontare le medie

Il nome all’inizio può sembrare controintuitivo. Se l’ANOVA riguarda le medie, perché usa la varianza?

Perché la varianza offre un modo chiaro per misurare due tipi di dispersione:

1. La dispersione delle medie dei gruppi attorno alla media complessiva.
2. La dispersione delle singole osservazioni attorno alla media del proprio gruppo.

Se il primo tipo di dispersione è molto più grande del secondo, i gruppi appaiono più separati di quanto la normale fluttuazione interna ai gruppi produrrebbe di solito.

Quando l’ANOVA a una via è appropriata

L’ANOVA a una via si usa quando un fattore categoriale divide le osservazioni in gruppi e vuoi confrontare la media di una risposta quantitativa tra questi gruppi.

Esempi includono il confronto del punteggio medio a un test tra diversi metodi di insegnamento, della resa media di una coltura tra diversi fertilizzanti, oppure del tempo medio di reazione tra diverse condizioni di trattamento.

Per l’ANOVA classica a una via, le ipotesi principali sono:

1. Le osservazioni sono indipendenti.
2. La risposta è misurata su una scala quantitativa.
3. Le varianze dei gruppi sono ragionevolmente simili.
4. Il modello non è fortemente incompatibile con la forma dei dati, soprattutto con campioni piccoli.

L’ANOVA può comunque essere abbastanza robusta in molte situazioni, specialmente con gruppi bilanciati e dimensioni campionarie moderate, ma questo dipende dal disegno dello studio. Se i dati sono appaiati, ripetuti sugli stessi soggetti o hanno varianze molto disuguali, la normale ANOVA a una via potrebbe non essere lo strumento giusto.

Esempio di ANOVA a una via

Supponiamo che un insegnante voglia confrontare tre metodi di studio usando i punteggi di un quiz:

1. Metodo A: $72$, $74$, $76$
2. Metodo B: $78$, $80$, $82$
3. Metodo C: $84$, $86$, $88$

Le medie dei gruppi sono

$$\bar{x}_A = 74, \qquad \bar{x}_B = 80, \qquad \bar{x}_C = 86$$

La media complessiva di tutti i $9$ punteggi è

$$\bar{x} = 80$$

Ora separiamo la variabilità in due parti.

Passo 1: variabilità tra i gruppi

Ogni gruppo ha $3$ osservazioni, quindi la somma dei quadrati tra i gruppi è

$$SS_B = 3(74-80)^2 + 3(80-80)^2 + 3(86-80)^2$$ $$SS_B = 3(36) + 0 + 3(36) = 216$$

Con $k=3$ gruppi, i gradi di libertà tra i gruppi sono $k-1=2$, quindi

$$MS_B = \frac{SS_B}{k-1} = \frac{216}{2} = 108$$

Passo 2: variabilità entro i gruppi

All’interno di ogni gruppo, i punteggi distano solo $2$ punti dalla media del gruppo da ciascun lato:

$$SS_W = (4+0+4) + (4+0+4) + (4+0+4) = 24$$

Con $N=9$ osservazioni totali, i gradi di libertà entro i gruppi sono $N-k=6$, quindi

$$MS_W = \frac{SS_W}{N-k} = \frac{24}{6} = 4$$

Passo 3: calcolare la statistica $F$

Ora calcoliamo

$$F = \frac{MS_B}{MS_W} = \frac{108}{4} = 27$$

Un valore di $F$ così grande significa che le medie dei gruppi sono molto distanti rispetto alla variabilità interna ai gruppi. Sotto le usuali ipotesi dell’ANOVA a una via, questa è una forte evidenza contro l’ipotesi nulla che tutte e tre le medie della popolazione siano uguali.

L’interpretazione pratica è semplice: le differenze tra i tre metodi di studio sono troppo grandi per essere liquidate come semplice dispersione ordinaria entro i gruppi.

Cosa non ti dice l’ANOVA

L’ANOVA non ti dice quale specifica coppia di gruppi differisce. Dopo un risultato complessivo significativo, di solito servono confronti post hoc o contrasti pianificati.

Inoltre non ti dice che l’effetto sia importante in senso pratico. Una differenza statisticamente rilevabile può comunque essere troppo piccola per contare davvero nel contesto reale.

Se lo studio non è stato randomizzato, l’ANOVA non dimostra nemmeno che la variabile di raggruppamento abbia causato la differenza. Verifica solo se le medie dei gruppi appaiono diverse nei dati raccolti.

Errori comuni con l’ANOVA

Un errore comune è pensare che l’ANOVA sia soprattutto un test per verificare se le varianze dei gruppi sono uguali. Nell’uso standard, l’ANOVA confronta le medie. La varianza compare perché è il meccanismo usato per misurare segnale e rumore.

Un altro errore è eseguire molti $t$-test separati invece di un’unica ANOVA complessiva quando sono coinvolti più gruppi. Questo può aumentare il rischio di falsi positivi, a meno che i confronti non vengano corretti con attenzione.

Un terzo errore è fermarsi dopo un’ANOVA significativa e affermare di sapere esattamente quale gruppo ha “vinto”. Il test complessivo da solo non risponde a questa domanda.

Dove si usa l’ANOVA

L’ANOVA è comune negli esperimenti, nei test di prodotto, nell’istruzione, in biologia, in agricoltura e nelle scienze sociali. È utile ogni volta che serve un unico test difendibile per le differenze tra medie in più gruppi.

È particolarmente utile quando la vera domanda è comparativa: questi trattamenti, metodi o condizioni producono risultati medi misurabilmente diversi?

Prova la tua versione

Prendi lo stesso esempio e cambia il Metodo B in $79$, $80$, $81$. Ricalcola $SS_W$, $MS_W$ e la statistica finale $F$. Questo unico cambiamento rende visibile l’intuizione centrale: quando il rumore entro i gruppi cresce, l’evidenza di una vera differenza tra medie si indebolisce.