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.
Trova il tuo test in 3-4 domande
Inizia definendo il tuo obiettivo di analisi. Puoi tornare indietro o ricominciare in qualsiasi momento.
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.











Tabella di selezione dei test statistici
Abbina il tuo piano di studio al test giusto, poi apri il calcolatore gratuito.
| Obiettivo/progettazione | Tipo di esito | Gruppi | Test consigliato | Calcolatore |
|---|---|---|---|---|
| Confronto tra gruppi | ||||
| Due gruppi indipendenti, dati normali | Educazione | 2 (indipendente) | Test t indipendente | Test t → |
| Due gruppi indipendenti, asimmetrici/ordinali | Continuo / ordinale | 2 (indipendente) | Università Mann-Whitney | Mann-Whitney → |
| Prima/dopo, stessi soggetti, normale | Educazione | 2 (accoppiati) | T-Test accoppiato | Test t → |
| Prima/dopo, stessi soggetti, immagine distorta | Continuo / ordinale | 2 (accoppiati) | Wilcoxon Signed-Rank | Wilcoxon → |
| Tre o più gruppi, normale | Educazione | 3+ (indipendente) | ANOVA a una via + Tukey | ANOVA → |
| Tre o più gruppi, non normali | Continuo / ordinale | 3+ (indipendente) | Kruskal Wallis | Nell'app → |
| Risultati categorici | ||||
| associazione, conteggi adeguati | Categorico | 2+ (indipendente) | Chi-quadrato | Test del chi-quadrato → |
| Associazione, tavolo piccolo/sparso | Categorico | 2 (indipendente) | Esatta di Fisher | Fisher's → |
| Coppia binaria (prima/dopo) | Binario | 2 (accoppiati) | Test di McNemar | McNemar → |
| Entità del rischio (esposizione → esito) | Binario | 2 (indipendente) | Rapporto di probabilità / Rischio relativo | OR / RR → |
| Relazioni e previsioni | ||||
| Associazione tra due variabili | Educazione | - | Correlazione di Pearson/Spearman | Correlazione → |
| Prevedere il risultato continuo | Educazione | - | Regressione lineare | Regressione → |
| Prevedere un risultato binario | Binario | - | Regressione logistica | Logistica → |
| Accordo, diagnosi e sopravvivenza | ||||
| Accordo tra valutatori, categorie | Categorico | 2 valutatori | Kappa di Cohen | Kappa → |
| Affidabilità / confronto dei metodi | Educazione | 2 valutatori/metodi | CPI / Bland-Altman | ICC → |
| Test diagnostico vs riferimento | Binario | - | Sensibilità e specificità | Sensibilità/Specifiche → |
| Test delle prestazioni in base alle soglie | Continuo → binario | - | ROC Precision & AUC | ROC → |
| Tempo all'evento con censura | Tempo per l'evento | 1–2 gruppi | Kaplan-Meier / Log-Rank | Sopravvivenza → |
| Pianificazione dello studio | ||||
| Di quanti partecipanti ho bisogno? | Qualsiasi | - | Analisi della dimensione del campione e della potenza statistica | Dimensione 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.
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