Dati non normali nella tesi 2026: quando servono davvero i test non parametrici

L’istogramma esce storto, il test di Shapiro-Wilk risulta significativo e la reazione istintiva è sempre la stessa: «allora devo usare un test non parametrico». A volte è la scelta giusta. Molto più spesso non lo è, oppure lo è per il motivo sbagliato. Vale la pena capire che cosa l’assunzione di normalità richieda davvero, perché la risposta cambia completamente il piano di analisi.

Che cosa richiede l’assunzione

Il malinteso di fondo è credere che un test t pretenda dati normali. Non è così. Ciò che deve essere approssimativamente normale è la distribuzione campionaria della statistica — cioè come varierebbe la differenza fra medie se ripeteste lo studio infinite volte.

La distinzione ha una conseguenza pratica enorme. Per il teorema del limite centrale, la distribuzione campionaria tende alla normale al crescere della numerosità, indipendentemente dalla forma dei dati grezzi. In pratica, superata una trentina di osservazioni per gruppo, i test parametrici funzionano bene anche su distribuzioni chiaramente asimmetriche.

Analogamente, nella regressione lineare l’assunzione riguarda i residui, non le variabili. Una variabile dipendente asimmetrica può benissimo produrre residui perfettamente accettabili. Verificare la normalità della variabile invece che dei residui è uno degli errori più diffusi nelle tesi.

Quando conta davvero, allora? In tre situazioni: campioni piccoli, asimmetria estrema con valori anomali che spostano la media, e variabili di partenza ordinali per le quali la media non ha comunque un significato chiaro.

Come verificarla

Usate tre strumenti insieme, in questo ordine di importanza.

1. Il grafico. Istogramma e diagramma quantile-quantile. Nel secondo, i punti devono seguire all’incirca la diagonale; scostamenti alle estremità sono normali, una curvatura sistematica no. È l’unico strumento che vi mostra in che modo la distribuzione si allontana dalla normale.
2. Gli indici di forma. Asimmetria e curtosi restano generalmente accettabili fra circa −2 e +2. Sono numeri, quindi si riportano facilmente nel testo.
3. Il test formale. Shapiro-Wilk per campioni fino a una cinquantina di casi. Usatelo come indizio, non come giudice.

Sul terzo punto serve una precisazione, perché è la fonte di molte decisioni sbagliate: il test di normalità dipende fortemente dalla numerosità. Con 500 osservazioni segnala come significativo qualunque scostamento minimo e privo di conseguenze; con 15 non rileva quasi nulla. Risulta quindi più severo proprio dove la questione conta meno, e più permissivo dove conterebbe davvero.

Se i tre strumenti danno indicazioni diverse, fidatevi del grafico.

Le forme tipiche di non normalità

Non tutte le deviazioni sono uguali, e riconoscerne il tipo suggerisce già la soluzione.

La riga sulla bimodalità merita attenzione particolare: due picchi indicano quasi sempre che il campione contiene due sottogruppi diversi. Non è un problema statistico da aggirare, è un risultato da indagare. Cercate quale variabile li separa — è spesso l’osservazione più interessante di tutta la tesi.

Le quattro strade

Constatata la non normalità, le opzioni sono quattro e vanno considerate in quest’ordine.

1. Non fare nulla. Se i gruppi superano le trenta unità e l’asimmetria è moderata, il test parametrico resta difendibile. Riportate gli indici di forma e scrivete una frase di giustificazione. È la soluzione corretta più spesso di quanto si creda, e anche la meno usata.

2. Trasformare. Il logaritmo su dati con forte asimmetria positiva riporta spesso la distribuzione in una forma utilizzabile; la radice quadrata funziona su conteggi. Il prezzo: i risultati si interpretano sulla scala trasformata, e questo va detto esplicitamente. Non trasformate mai «per far passare» un test, ma perché la scala trasformata ha senso rispetto al fenomeno.

3. Usare una correzione robusta. Se il problema non è la forma ma la disuguaglianza delle varianze, la correzione di Welch risolve la questione restando nel quadro parametrico. Per i disegni a misure ripetute con violazione della sfericità esiste la correzione di Greenhouse-Geisser. Anche l’intervallo di confidenza ottenuto per bootstrap non presuppone alcuna forma particolare.

4. Passare al test non parametrico. La scelta giusta quando la variabile è ordinale, quando i gruppi sono piccoli o quando l’asimmetria è marcata. Sostituisce i valori con i loro ranghi e confronta posizioni anziché medie.

Un dato che sorprende molti: la perdita di potenza è minima. Anche nel caso più favorevole al test parametrico — dati perfettamente normali — il test U di Mann-Whitney conserva circa il 95 % dell’efficienza del test t. E quando la distribuzione è chiaramente asimmetrica, il rapporto si inverte e il test basato sui ranghi diventa più potente. Il vero fattore che determina la potenza resta la numerosità, e si decide prima della raccolta: si veda l’articolo su quanti partecipanti servono per una tesi.

Tabella delle corrispondenze

Attenzione all’ultima riga: quando l’unico problema è la disuguaglianza delle varianze, il passaggio al non parametrico è una risposta sproporzionata. La correzione di Welch è più semplice, più potente e ormai calcolata di default da molti programmi.

Come riportare i risultati

Due regole, entrambe violate con regolarità.

Prima: le statistiche descrittive devono corrispondere al test. Un test basato sui ranghi si riporta con mediane e scarti interquartili, non con medie e deviazioni standard. Indicare una media accanto a un test di Mann-Whitney significa descrivere una grandezza che quel test non ha esaminato — ed è un’incoerenza che i relatori notano subito.

Seconda: riportate sempre un’ampiezza dell’effetto. Esiste anche per i test non parametrici e si calcola dividendo il valore z fornito dal programma per la radice quadrata della numerosità totale. I riferimenti di interpretazione sono 0,10 per un effetto piccolo, 0,30 per uno medio e 0,50 per uno grande.

Esempio di formulazione: «I punteggi di soddisfazione risultavano più elevati nel gruppo sperimentale (Mdn = 4,20) rispetto al gruppo di controllo (Mdn = 3,60), U = 245,50, z = −2,14, p = ,032, r = ,23.»

Nel capitolo metodo aggiungete due frasi: quale verifica avete condotto, che cosa ha mostrato e quale conseguenza ne avete tratto. È questo paragrafo, non il test in sé, a distinguere un lavoro solido da uno approssimativo. Vale la pena prevederne il tempo nella pianificazione: la fase di verifica delle assunzioni richiede quasi sempre più ore del previsto, un aspetto rilevante soprattutto per chi concilia studio e lavoro, come mostra l’articolo sul tempo dedicato a studio e lavoro dagli studenti in Svizzera.

Errori frequenti

1. Verificare la normalità della variabile dipendente in una regressione. L’assunzione riguarda i residui. Analizzate quelli, non la variabile.
2. Decidere in due tempi. Testare la normalità e scegliere il test in funzione del risultato rende il tasso di errore complessivo difficile da interpretare. Meglio stabilire il piano di analisi in anticipo, sulla base del tipo di dati.
3. Trasformare senza dirlo. Se lavorate su una scala logaritmica, tutte le interpretazioni cambiano e il lettore deve saperlo.
4. Eliminare i valori anomali per far tornare la distribuzione. Un valore anomalo si rimuove solo se si dimostra che è un errore di misura o di codifica, mai perché disturba. La decisione va documentata con il motivo.
5. Riportare le medie con un test sui ranghi. L’errore più visibile e il più facile da evitare.
6. Ignorare la bimodalità. Due picchi non sono un difetto della distribuzione: sono un’informazione sul campione.

Un’ultima raccomandazione pratica: quando siete sinceramente indecisi, eseguite entrambi i test. Se portano alla stessa conclusione, riportate il parametrico e segnalate in una frase che l’analisi non parametrica conferma il risultato. Se divergono, è un segnale — qualcosa nei vostri dati va esaminato, non aggirato. Per chi lavora su dati istituzionali già pubblicati e vuole capire quanto siano regolari le distribuzioni tipiche di questo genere di fonti, l’articolo sul costo per studente nelle scuole universitarie svizzere offre un esempio concreto di dati fortemente asimmetrici.

Domande frequenti