Verifiche delle assunzioni e diagnostica
Prima di fidarti di un valore p, conferma che le assunzioni del modello reggano. Ecco i controlli che contano e cosa fare quando falliscono.
Questa pagina è una traduzione dell'originale inglese revisionato. Vedi l'originale (EN)
diagnosticaChe cos'è
Ogni modello parametrico — regressione, ANOVA, structural equation model — si basa su un insieme di assunzioni. Se queste assunzioni sono violate, gli errori standard, i valori p e gli intervalli di confidenza possono essere tutti sbagliati, anche quando le stime puntuali sembrano plausibili. Le verifiche delle assunzioni e la diagnostica sono l'insieme di test e grafici che esegui prima di interpretare l'output di un modello. La buona notizia è che la maggior parte di questi controlli è rapida e i rimedi sono ben consolidati. La cosa importante è eseguirli di routine, non solo quando i risultati sembrano sospetti. Revisori ed editor si aspettano sempre più una frase nella sezione dei metodi che confermi che le assunzioni sono state verificate.
Quando usarlo
- Prima di interpretare qualsiasi modello parametrico — regressione, ANOVA o SEM — per confermare che le sue assunzioni reggano.
- Di routine, come passo standard, non solo quando i risultati sembrano sospetti.
- Quando un revisore o un editor si aspetta una dichiarazione che le assunzioni sono state verificate.
- Quando le stime puntuali sembrano plausibili ma devi fidarti degli errori standard, dei valori p e degli intervalli di confidenza.
Assunzioni
- Normalità dei residui — gli errori del modello sono approssimativamente normali (l'esito grezzo non deve esserlo).
- Omoscedasticità — la varianza dei residui è all'incirca costante tra i valori predetti.
- Linearità — ogni predittore si lega all'esito in linea retta.
- Nessun outlier eccessivamente influente — nessun singolo caso sposta le stime in modo sostanziale.
- Nessuna grave multicollinearità — i predittori non sono troppo correlati (VIF sotto 5).
Soglie e valori limite
| Criterion | Rule of thumb | Source |
|---|---|---|
| Normalità | Shapiro–Wilk, Q–Q plot — SW p < .05 (n piccolo); Q–Q curvo | Rimedio: trasformazione log/sqrt; alternativa nonparametrica |
| Omoscedasticità | Residui-vs-predetti; Levene — schema a ventaglio; Levene p < .05 | Rimedio: SE robusti (correzione HC); ANOVA di Welch |
| Linearità | Partial regression plot — curva netta nel grafico | Rimedio: termine polinomiale; trasformazione log |
| Outlier | Residui standardizzati; Cook's D — |z| > 3; Cook's D > 4/n | Rimedio: ispeziona; riporta con e senza outlier |
| Multicollinearità | VIF / Tolerance — VIF > 5 (avviso), > 10 (serio) | Rimedio: rimuovi un predittore; centra le variabili; PCA |
Come riportarlo in APA
Prima dell'analisi principale, le assunzioni sono state verificate. I residui avevano una distribuzione approssimativamente normale (Shapiro–Wilk W = .98, p = .23). L'omoscedasticità era supportata dall'ispezione visiva dei grafici residui-vs-predetti. Non sono stati identificati casi influenti (tutti i Cook's D < .08). I variance inflation factor erano compresi tra 1.12 e 2.34, indicando nessun problema di multicollinearità.
Come Explonia lo esegue
Explonia mostra la diagnostica delle assunzioni accanto all'analisi rilevante. Quando esegui una regressione o un'ANOVA nella piattaforma, controlla e mostra automaticamente la normalità (Shapiro–Wilk), il test di Levene per i confronti tra gruppi e il VIF per i modelli di regressione. I risultati compaiono nello stesso pannello di output dell'analisi principale, così non devi usare uno strumento separato. Dove un controllo fallisce, l'output lo segnala, così puoi intervenire prima di riportare i risultati. In un confronto tra gruppi impostato su Auto, un controllo di normalità non superato fa passare il test a Mann-Whitney o Kruskal-Wallis; con gruppi grandi puoi scegliere invece ANOVA o ANOVA di Welch, e spiegare il perché nel tuo report.
Domande frequenti
I miei dati devono avere una distribuzione normale?
L'assunzione di normalità riguarda i residui del tuo modello, non i dati grezzi. Con campioni grandi (n > 30 per gruppo), il teorema del limite centrale rende la maggior parte dei test robusta alla non normalità. Lo Shapiro-Wilk è sensibile con campioni grandi e segnala deviazioni banali. Usa i Q–Q plot insieme al test.
Quale valore di VIF è troppo alto?
VIF > 5 è una soglia di avviso comune; VIF > 10 è ampiamente trattato come un problema serio. Una tolerance (= 1/VIF) sotto .10 è il segnale equivalente. Quando la multicollinearità è alta, le stime dei coefficienti diventano instabili, anche se il fit complessivo del modello può sembrare comunque buono.
Cosa dovrei fare se un'assunzione è violata?
Dipende dall'assunzione. Per la non normalità con campioni piccoli: applica una trasformazione logaritmica o radice quadrata, oppure usa un'alternativa nonparametrica (Mann-Whitney, Kruskal-Wallis). Con gruppi grandi, l'ANOVA o l'ANOVA di Welch è di solito robusta, quindi giustifica la scelta in ogni caso. Per l'eteroschedasticità: usa errori standard robusti (correzione HC). Per gli outlier: riporta con e senza l'outlier, così i lettori possono vedere l'impatto. Non eliminare mai gli outlier senza spiegazione.
Come riporto le verifiche delle assunzioni in APA?
Una breve dichiarazione nella sezione dei Metodi è sufficiente quando le assunzioni sono soddisfatte. Se una violazione ha richiesto un intervento (per esempio una trasformazione o uno stimatore robusto), spiega cosa hai fatto e perché. I lettori dovrebbero poter valutare se la tua scelta era ragionevole.
Last updated: settembre 2026
Esegui Assumption Checks & Diagnostics sui tuoi stessi dati
Raccogli o carica i tuoi dati, esegui l'analisi nel tuo browser e ottieni una bozza di paragrafo APA che puoi modificare. Inizia gratis. Nessuna carta di credito.
Inizia gratis