Editverse StatPicker

Quale test statistico dovrei utilizzare?

Uno strumento gratuito e interattivo per la selezione di test statistici, pensato per i ricercatori in ambito medico e biomedico. Rispondi a poche domande sul disegno dello studio e sui risultati attesi e scopri il test statistico più adatto alle tue esigenze, con i presupposti da verificare, gli errori più comuni da evitare e un link diretto a un calcolatore gratuito. Il tutto è curato da biostatistici di Editverse e validato con R 4.3.3.

18+ test copertiPresupposti e insidieValidato con R 4.3.3Gratuito · nessuna registrazione
Selettore interattivo

Trova il tuo test in 3-4 domande

Inizia definendo il tuo obiettivo di analisi. Puoi tornare indietro o ricominciare in qualsiasi momento.

Linee guida basate su regole · non sostituiscono la revisione statisticaHai bisogno di uno statistico? →

Come scegliere il test statistico più adatto

La scelta del test statistico corretto non è una questione di gusto, ma è determinata da tre fattori: il tipo di risultato misurato, il numero di gruppi o misurazioni da confrontare e se le osservazioni sono indipendenti o appaiate . Se si considerano correttamente questi tre aspetti, il test risulterà quasi sempre appropriato. Lo strumento di selezione interattivo qui sopra vi guida attraverso queste decisioni; questa sezione ne spiega la logica, in modo che possiate giustificare la vostra scelta a chi effettuerà la revisione.

Passaggio 1: identifica il tipo di risultato (variabile dipendente).

Tutto inizia da qui. Un risultato continuo (pressione sanguigna, HbA1c, un punteggio) indica la necessità di test basati sulla media, come il test t o l'ANOVA. Un risultato categorico (guarito/non guarito, responsivo/non responsivo) indica la necessità di test basati sulla proporzione, come il test del chi-quadro, il test esatto di Fisher o la regressione logistica. Un risultato ordinale (una scala del dolore, uno stadio) richiede solitamente metodi non parametrici. Un risultato relativo al tempo all'evento (sopravvivenza, tempo alla recidiva) richiede un'analisi di sopravvivenza, perché deve tenere conto delle osservazioni censurate, cosa che un semplice confronto delle medie non può fare.

Passaggio 2: conta i tuoi gruppi e verifica l'abbinamento

State confrontando un gruppo con un valore noto , due gruppi o tre o più ? E le osservazioni sono indipendenti (soggetti diversi in ciascun gruppo) o appaiate (gli stessi soggetti misurati due volte, o abbinati)? L'appaiamento è la distinzione più comune che viene trascurata. Misurare gli stessi pazienti prima e dopo un trattamento costituisce un dato appaiato; analizzarlo come se i due set di misurazioni provenissero da gruppi indipendenti significa scartare proprio le informazioni che rendono efficace il disegno sperimentale, ed è un errore riconosciuto in letteratura.

Fase 3 — Verifica delle ipotesi (parametriche o non parametriche)

I test parametrici (test t, ANOVA, correlazione di Pearson) presuppongono che la variabile dipendente segua una distribuzione approssimativamente normale e, per i confronti tra gruppi, che le varianze siano simili. Quando questi presupposti sono validi, o quando il campione è sufficientemente ampio da consentire l'applicazione del teorema del limite centrale, i test parametrici risultano più potenti. Quando i dati sono asimmetrici, ordinali o il campione è di piccole dimensioni, è opportuno ricorrere ai test non parametrici equivalenti: test di Mann-Whitney al posto del test t per campioni indipendenti, test di Wilcoxon al posto del test t per campioni appaiati, test di Kruskal-Wallis al posto dell'ANOVA e correlazione di Spearman al posto di Pearson.

Passaggio 4: confronta con il test, quindi verifica con una calcolatrice.

Una volta definiti il ​​tipo di risultato, la struttura del gruppo e le ipotesi, si determina il test. Utilizzare la tabella di confronto sottostante come riferimento rapido, aprire il calcolatore gratuito di corrispondenza e verificare il risultato con il codice R visualizzato. Per la pianificazione dello studio, eseguire sempre un'analisi della dimensione del campione e della potenza statistica prima di raccogliere i dati.

Guida visiva: Il sistema a 3 filtri in azione

Ogni diapositiva corrisponde direttamente a una fase del selettore interattivo qui sopra, dal framework al test.

L'imbuto di selezione a 3 filtri: dal tipo di risultato alla struttura del gruppo, alle ipotesi, al test statistico definitivo.
Il framework a 3 filtri che determina ogni scelta di test statistico. © editverse.com
Filtro 1 topologia dei dati: tipi di risultato continui, categorici, ordinali, tempo all'evento
Filtro 1: il tipo di risultato è la prima e più importante decisione. © editverse.com
Regola di abbinamento del filtro 2: gruppi indipendenti soggetti diversi contro gruppi appaiati stessi soggetti misurati due volte
Filtro 2: la distinzione tra test di abbinamento è il passaggio più frequentemente trascurato nella selezione dei test. © editverse.com
Filtro 3 bilanciamento del limite centrale: test parametrici potenza per dati normali contro test non parametrici sicurezza per dati asimmetrici
Filtro 3: i test parametrici offrono maggiore potenza quando la normalità è soddisfatta; i test non parametrici sono l'opzione predefinita più sicura. © editverse.com
Confronti tra gruppi della matrice diagnostica 1: test t ANOVA per dati normali, Mann-Whitney Wilcoxon Kruskal-Wallis per dati non normali
Matrice 1: l'albero decisionale completo per il confronto tra gruppi. © editverse.com
Matrice diagnostica 2 categoriale binaria: Chi-quadrato Fisher Esatto McNemar Odds Ratio Rischio relativo
Matrice 2: quattro percorsi categoriali abbinati alle dimensioni della tabella e all'accoppiamento. © editverse.com
Previsione delle relazioni della matrice diagnostica 3: correlazione di Pearson-Spearman, regressione lineare o logistica.
Matrice 3: correlazione vs regressione abbinate al tipo di risultato. © editverse.com
Matrice diagnostica 4 concordanza diagnosi sopravvivenza: Kappa ICC Bland-Altman, sensibilità specificità ROC, Kaplan-Meier Log-Rank
Matrice 4: tre ambiti avanzati che richiedono test specialistici. © editverse.com
Errore di sistema, trappola dei test multipli: i test t multipli aumentano i falsi positivi rispetto all'ANOVA con test post-hoc di Tukey
La trappola dei test multipli: usa l'ANOVA e poi il test di Tukey, non più test t. © editverse.com
Errore di sistema che ha portato a una diagnosi errata dei risultati: la correlazione non equivale alla concordanza, la non significatività non equivale all'assenza di effetto.
Due diagnosi errate critiche: ICC/Bland-Altman per concordanza, riportare sempre la dimensione dell'effetto. © editverse.com
Ciclo di vita della pianificazione dello studio di sintesi: dimensione del campione, potenza statistica, tipo di risultato, selezione del test a 3 filtri, validazione con R 4.3.3
Il protocollo a ciclo chiuso: pianifica, digita, seleziona, convalida. © editverse.com

Tabella di selezione dei test statistici

Abbina il tuo piano di studio al test giusto, poi apri il calcolatore gratuito.

Obiettivo/progettazioneTipo di esitoGruppiTest consigliatoCalcolatore
Confronto tra gruppi
Due gruppi indipendenti, dati normaliEducazione2 (indipendente)Test t indipendenteTest t →
Due gruppi indipendenti, asimmetrici/ordinaliContinuo / ordinale2 (indipendente)Università Mann-WhitneyMann-Whitney →
Prima/dopo, stessi soggetti, normaleEducazione2 (accoppiati)T-Test accoppiatoTest t →
Prima/dopo, stessi soggetti, immagine distortaContinuo / ordinale2 (accoppiati)Wilcoxon Signed-RankWilcoxon →
Tre o più gruppi, normaleEducazione3+ (indipendente)ANOVA a una via + TukeyANOVA →
Tre o più gruppi, non normaliContinuo / ordinale3+ (indipendente)Kruskal WallisNell'app →
Risultati categorici
associazione, conteggi adeguatiCategorico2+ (indipendente)Chi-quadratoTest del chi-quadrato →
Associazione, tavolo piccolo/sparsoCategorico2 (indipendente)Esatta di FisherFisher's →
Coppia binaria (prima/dopo)Binario2 (accoppiati)Test di McNemarMcNemar →
Entità del rischio (esposizione → esito)Binario2 (indipendente)Rapporto di probabilità / Rischio relativoOR / RR →
Relazioni e previsioni
Associazione tra due variabiliEducazione-Correlazione di Pearson/SpearmanCorrelazione →
Prevedere il risultato continuoEducazione-Regressione lineareRegressione →
Prevedere un risultato binarioBinario-Regressione logisticaLogistica →
Accordo, diagnosi e sopravvivenza
Accordo tra valutatori, categorieCategorico2 valutatoriKappa di CohenKappa →
Affidabilità / confronto dei metodiEducazione2 valutatori/metodiCPI / Bland-AltmanICC →
Test diagnostico vs riferimentoBinario-Sensibilità e specificitàSensibilità/Specifiche →
Test delle prestazioni in base alle soglieContinuo → binario-ROC Precision & AUCROC →
Tempo all'evento con censuraTempo per l'evento1–2 gruppiKaplan-Meier / Log-RankSopravvivenza →
Pianificazione dello studio
Di quanti partecipanti ho bisogno?Qualsiasi-Analisi della dimensione del campione e della potenza statisticaDimensione del campione →

Errori comuni nella selezione dei test

Ignorando il fatto che i dati sono accoppiati

Analizzare misurazioni ripetute o corrispondenti come se provenissero da gruppi indipendenti è uno degli errori più comuni e con conseguenze significative. I disegni sperimentali appaiati richiedono test appaiati (test t appaiato, test di Wilcoxon per ranghi con segno o test di McNemar per dati binari); ignorare la dipendenza compromette l'efficienza del disegno sperimentale e può produrre risultati fuorvianti.

Eseguire più test t invece dell'ANOVA

Il confronto di tre o più gruppi con una serie di test t a coppie aumenta il tasso di falsi positivi complessivo. Utilizzare un singolo test omnibus (ANOVA o Kruskal-Wallis) seguito da un confronto post-hoc corretto.

Utilizzo di un test parametrico su dati asimmetrici o ordinali

Il test t e l'ANOVA presuppongono una distribuzione approssimativamente normale. In presenza di distribuzioni chiaramente asimmetriche, campioni ordinali o campioni molto piccoli, è preferibile passare al test non parametrico equivalente piuttosto che forzare un test parametrico.

Confondere la correlazione con la concordanza

Un'elevata correlazione di Pearson tra due metodi di misurazione non significa che siano concordi: due metodi possono essere perfettamente correlati ma presentare un bias sistematico. Per valutare la concordanza, utilizzare la correlazione intraclasse o un'analisi di Bland-Altman.

Trattare "non significativo" come "nessun effetto"

Un risultato non significativo in uno studio con potenza statistica insufficiente non è prova dell'assenza di effetto. Riporta la dimensione dell'effetto e l'intervallo di confidenza e pianifica in anticipo una dimensione del campione adeguata.

Test multipli non corretti

Testare molti risultati o adattare molti modelli senza correggere per la molteplicità aumenta i falsi positivi ed è una fonte riconosciuta di risultati non riproducibili.

Domande frequenti

Come faccio a sapere se i miei dati sono "normali"?

Esaminate un istogramma o un grafico QQ e, per i test formali, utilizzate un test di normalità (Shapiro-Wilk). Con campioni numerosi, una lieve non normalità ha poca importanza grazie al teorema del limite centrale; con campioni piccoli, in caso di dubbio, è preferibile utilizzare test non parametrici.

Qual è la differenza tra dati appaiati e dati indipendenti?

I dati indipendenti provengono da soggetti diversi e non correlati all'interno di ciascun gruppo. I dati appaiati provengono dagli stessi soggetti misurati due volte (prima/dopo) o da coppie appaiate. L'appaiamento modifica il test utilizzato, quindi è importante identificarlo prima dell'analisi.

Parametrico o non parametrico: quale è meglio?

I test parametrici sono più efficaci quando i loro presupposti sono validi. I test non parametrici sono più sicuri per dati asimmetrici, ordinali o con campioni di piccole dimensioni. È fondamentale scegliere il test più adatto ai dati, non viceversa.

Devo calcolare la dimensione del campione prima di scegliere un test?

Sì. Il test che si intende utilizzare determina il calcolo della dimensione del campione , ed entrambi devono essere specificati nel protocollo prima della raccolta dei dati: i comitati etici e i revisori se lo aspettano.

Uno statistico può verificare la mia scelta?

Sì. I nostri biostatistici esaminano i disegni di studio, confermano il test corretto ed eseguono l'analisi completa con output R riproducibile come parte di un pacchetto di analisi statistica.

Riferimenti e ulteriori letture

Fonti peer-reviewed e indicizzate su PubMed sulla selezione e la presentazione dei test statistici.

Franc JM. Analisi di dati appaiati. Prehosp Disaster Med. 2025.PMID: 40213959 · Sull'errore comune di ignorare le dipendenze dei dati
Altman N, Krzywinski M. Comprensione dei valori p e della significatività. Animazione di laboratorio. 2024.PMID: 39315628 · Dimensione dell'effetto, bias di selezione e test multipli
Zakhary BL, Choi J. Analisi di regressione nella ricerca clinica. J Trauma Acute Care Surg. 2025.PMID: 40454999 · Scelta di un modello di regressione in base al tipo di risultato

Non sei ancora sicuro di quale test sia più adatto ai tuoi dati?

I nostri biostatistici confermano il test corretto, verificano le ipotesi ed eseguono l'analisi completa con output R riproducibile.

Ottieni assistenza statistica da esperti