Test Chi Quadrato: Guida Completa e Pratica all’Analisi Statistica

14. Febbraio 2026 Gestore

Il test chi quadrato è uno degli strumenti fondamentali della statistica inferenziale. Permette di valutare se esiste una relazione significativa tra variabili categoriali o se una distribuzione osservata si discosta in modo rilevante da una distribuzione teorica attesa. In questa guida esploreremo cosa è il test chi quadrato, quali varianti esistono, come eseguirlo passo dopo passo, quali sono le interpretazioni corrette e quali errori evitare. Il nostro obiettivo è offrire una risorsa completa, utile sia per chi si avvicina per la prima volta al tema sia per chi cerca un ripasso approfondito con esempi concreti e pratici.

Introduzione al test chi quadrato

Il test chi quadrato è uno strumento non parametrico che si basa sulla confrontazione tra dati osservati e dati attesi sotto un’ipotesi nulla. Nella forma più comune, si usa per esaminare l’indipendenza tra due variabili categoriali in una tabella di contingenza oppure per verificare l’adeguatezza di una distribuzione teorica ai dati osservati. Il risultato principale è una statistica, chiamata proprio chi quadrato, che segue approssimativamente una distribuzione chi quadro con un certo numero di gradi di libertà. Se la differenza tra osservato ed atteso è sostanziale, la probabilità associata (p-value) è bassa e si respinge l’ipotesi nulla.

Quando usare il test chi quadrato

Il test chi quadrato è particolarmente utile in scenari tipici di dati categoriali. Alcuni casi comuni includono:

Valutare se due variabili categoriali sono indipendenti (ad esempio, sesso e preferenza di prodotto).
Verificare se una popolazione segue una distribuzione teorica attesa (ad esempio, distribuzione delle categorie di una questionario rispetto a una distribuzione prevista).
Confrontare marcatori tra gruppi differenti per verificare omogeneità delle proporzioni tra più categorie.

È importante che i dati soddisfino alcune condizioni chiave: le frequenze attese in ogni cella non dovrebbero essere troppo piccole (generalmente si preferisce E ≥ 5 per la maggior parte delle celle). In presenza di frequenze attese molto basse, si può considerare la correzione di continuità o utilizzare test alternativi come il test esatto di Fisher per tavole 2×2.

Tipi di test chi quadrato

Test chi quadrato di indipendenza

Questo è il tipo più comune. Serve a verificare se due variabili categoriali sono associate o indipendenti. Ad esempio, si può chiedere se la preferenza di cibo è indipendente dal genere di partecipanti in un sondaggio. L’analisi si svolge su una tabella di contingenza, dove si confrontano le frequenze osservate O con le frequenze attese E sotto l’ipotesi nulla di indipendenza.

Test chi quadrato di bontà dell’adattamento

In questa variante si confrontano le frequenze osservate di una variabile categoriale con una distribuzione teorica specifica. Ad esempio, si può verificare se la frequenza di risposte in diverse categorie segue una distribuzione uniforme o una distribuzione prevista per un determinato modello teorico.

Test chi quadrato di omogeneità

Questo test è simile al test di indipendenza, ma è utile quando si vogliono confrontare le proporzioni tra più popolazioni o gruppi relativi a una stessa variabile categoriale. L’obiettivo è capire se le distribuzioni delle categorie sono omogenee tra i gruppi.

Come si esegue: calcolo passo-passo del test chi quadrato

Definizioni chiave

Prima di calcolare, è utile definire due elementi fondamentali:

O: frequenze osservate in ciascuna cella della tavola di contingenza.
E: frequenze attese teoriche in ciascuna cella, calcolate in base all’ipotesi nulla (ad esempio, indipendenza tra le variabili).

Formula del chi quadrato

La statistica del test chi quadrato si ottiene sommando per tutte le celle della tavola:

chi-quadrato = Σ (O – E)² / E

Più grandi sono le differenze tra osservato e atteso, maggiore è la probabilità che l’ipotesi nulla non regga. Il numero di gradi di libertà è tipicamente dato da (numero di righe – 1) × (numero di colonne – 1) per i test di indipendenza, oppure dipende dalla configurazione per altri tipi di test.

Controlli pre-condizioni

Prima di interpretare i risultati, è bene verificare che:

Le frequenze attese non siano troppo basse (preferibilmente E ≥ 5 in ogni cella).
La dimensione del campione sia adeguata all’uso della distribuzione chi-quadrato asintotica.

Se le frequenze attese sono troppo basse, si può considerare la correzione di continuità in tavole 2×2 o optare per un test esatto come l’esatto di Fisher, che è affidabile anche in campioni piccoli.

Esempi pratici: applicazione del test chi quadrato

Esempio 1: tavola 2×2 su preferenze

Immaginiamo di analizzare se esiste una relazione tra genere (Maschile, Femminile) e preferenza di un prodotto (Sì, No). Dalla raccolta emergono le seguenti frequenze:

Genere	Preferenza Sì	Preferenza No	Totale
Maschile	20	10	30
Femminile	15	5	20
Totale	35	15	50

Calcolo delle frequenze attese E per ogni cella:

Cellula (Maschile, Sì): E = (30 × 35) / 50 = 21
Cellula (Maschile, No): E = (30 × 15) / 50 = 9
Cellula (Femminile, Sì): E = (20 × 35) / 50 = 14
Cellula (Femminile, No): E = (20 × 15) / 50 = 6

Calcolo del chi quadrato:

Maschile, Sì: (20 – 21)² / 21 ≈ 0.0476
Maschile, No: (10 – 9)² / 9 ≈ 0.1111
Femminile, Sì: (15 – 14)² / 14 ≈ 0.0714
Femminile, No: (5 – 6)² / 6 ≈ 0.1667

Chi quadrato totale ≈ 0.3968. Con una tavola 2×2, i gradi di libertà sono (2-1)×(2-1) = 1. Il p-value associato è circa 0.53. In questo caso non vi è evidenza sufficiente per rifiutare l’ipotesi nulla di indipendenza tra genere e preferenza del prodotto.

Esempio 2: tavola 3×3 su distribuzione di categorie

Consideriamo una variabile di tipo qualitativo con tre categorie (A, B, C) e una seconda variabile con tre categorie correlate. L’analisi richiede una tavola di contingenza 3×3. Supponiamo di avere le frequenze osservate O e di calcolare le frequenze attese E sotto l’ipotesi nulla. A seconda della dimensione della tavola, i gradi di libertà saranno (3-1)×(3-1) = 4. Se la statistica chi quadrato risulta alta e il p-value basso (< 0,05), si può sostenere che le due variabili non sono indipendenti e presentano una relazione tra loro.

Interpretazione dei risultati: cosa significa il p-value

La chiave di lettura del test chi quadrato è il p-value associato alla statistica osservata. Ecco cosa considerare:

Un p-value basso (tipicamente ≤ 0,05) indica che l’ipotesi nulla di indipendenza o di adeguatezza non regge, suggerendo una relazione significativa tra le variabili o una discrepanza tra dati osservati e attesi.
Un p-value alto suggerisce che non c’è evidenza sufficiente per rifiutare l’ipotesi nulla; i dati non mostrano una deviazione significativa rispetto alle attese.
I gradi di libertà influenzano la forma della distribuzione chi-quadrato e, di conseguenza, la interpretazione del p-value. È fondamentale specificarli correttamente nel report.

Controlli avanzati: correzione di continuità e limiti

Correzione di continuità di Yates

Nelle tavole 2×2, è comune applicare la correzione di continuità di Yates per ridurre la distorsione in campioni piccoli. La correzione modifica lievemente la statistica chi quadrato per rendere l’approssimazione alla distribuzione continua più conservativa. In molti casi, la differenza non è sostanziale, ma può influire soprattutto quando le frequenze sono vicine a 5.

Limiti del test chi quadrato

Nonostante la sua versatilità, il test chi quadrato presenta limiti: non è affidabile con campioni molto piccoli o con frequenze attese inferiori a 5; non fornisce indicazioni sull’ordine o sull’intensità dell’associazione, si limita a dire se c’è o non c’è una relazione significativa. In presenza di dati ordinali o di piccole dimensioni, si possono considerare alternative altrettanto valide come il test esatto di Fisher o test basati su modelli logistici.

Software e strumenti per il test chi quadrato

Calcolo con R

In R, la funzione chi.squared test per tavole di contingenza è tipicamente eseguita tramite la funzione chisq.test su una matrice di frequenze osservate. Example:

# Esempio R
observed <- matrix(c(20,10,15,5), nrow=2, byrow=TRUE)
chisq.test(observed)

La funzione restituisce la statistica chi quadrato, i gradi di libertà e il p-value. Se si desidera includere la correzione di continuità per tavole 2×2, è spesso impostato parameter = TRUE di default in molte implementazioni.

Calcolo con Python (SciPy)

In Python, l’uso della libreria SciPy permette di calcolare sia la tabella di contingenza che la statistica mediante chi2_contingency:

# Esempio Python
import numpy as np
from scipy.stats import chi2_contingency

observed = np.array([[20,10],[15,5]])
chi2, p, dof, expected = chi2_contingency(observed)
print(chi2, p, dof)

Questo restituisce la statistica chi quadrato, il p-value, i gradi di libertà e la matrice delle frequenze attese E.

Strumenti alternativi: Excel e altri software

Excel offre funzioni e strumenti per creare tabelle di contingenza e, tramite l’Add-in Analysis Toolpak, eseguire chi-quadrato su tavole di contingenza. Anche software statistico come SPSS, SAS o Stata hanno procedure integrate per test chi quadrato di indipendenza e di bontà dell’adattamento.

Domande frequenti sul test chi quadrato

Il test chi quadrato funziona per dati numerici continui?

In genere no. Il test chi quadrato è pensato per dati categoriali. Per variabili numeriche continue si usano altri test come l’analisi della varianza (ANOVA) o test non parametrici come il test di Mann-Whitney, a seconda del contesto.

Quando è preferibile utilizzare il test esatto di Fisher?

Il test di Fisher è consigliato per tavole 2×2 con frequenze attese molto basse. Fornisce una probabilità esatta senza fare affidamento sull’approssimazione chi quadrato, risultando più affidabile in casi di piccoli campioni.

Posso utilizzare il test chi quadrato anche per più di due gruppi?

Sì, per tavole di contingenza con più righe e colonne. In tali casi, la quantità di gradi di libertà aumenta e la valutazione si basa sulla distribuzione chi quadrato con dof corrispondenti. Controllare sempre le frequenze attese in ogni cella.

Approfondimenti avanzati: interpretazioni e buone pratiche

Interpretare l’effetto e l’associazione

Il test chi quadrato non misura l’intensità dell’associazione, ma solo se esiste una deviazione significativa rispetto all’ipotesi nulla. Per capire la direzione o la forza dell’associazione, è utile analizzare le proporzioni in ogni categoria e considerare metriche come il tau di Goodman o il coefficiente di contingenza (Cramér’s V) dopo aver rifiutato l’ipotesi nulla.

Verifiche pratiche per dataset reali

Quando si analizzano dati reali, è comune incontrare problemi di qualità: celle vuote, dati mancanti, categorie escluse. È consigliabile:

Riorganizzare le categorie per evitare celle con frequenze troppo basse.
Unire categorie simili se ciò ha senso logico e riduce il numero di celle problematiche.
Documentare chiaramente le decisioni fatte durante la preparazione dei dati nel report finale.

Conclusioni pratiche e buone pratiche all’uso del test chi quadrato

Il test chi quadrato è uno strumento potente e versatile per analisi categoriali. Usalo quando l’obiettivo è verificare l’indipendenza tra variabili o l’adeguatezza di una distribuzione teorica. Rispetta le condizioni di validità (frequenze attese adeguate, dimensione campione sufficiente) e scegli l’implementazione corretta in base al contesto: tavola 2×2, 3×3 o tavole più grandi. Se le condizioni non sono soddisfatte, considera correzioni, alternative o modelli statistici più flessibili. Con una corretta interpretazione del p-value e dei gradi di libertà, il test chi quadrato fornisce indicazioni chiare e affidabili per decisioni basate sui dati.

Di seguito alcune risposte rapide utili per chi pratica analisi statistiche:

Qual è la differenza tra chi quadrato e p-value? Il chi quadrato è la statistica; il p-value è la probabilità di osservare una differenza così estrema o più, se l’ipotesi nulla fosse vera.

Perché le frequenze attese sono importanti? Perché la validità delle approssimazioni del test chi quadrato si basa su di esse; oltre i limiti, l’esito potrebbe essere fuorviante.

È possibile utilizzare il test chi quadrato con dati non categoriali? In genere no; per dati numerici si utilizzano test diversi, come la correlazione o l’ANOVA, a seconda del contesto.

Il Test Chi Quadrato rappresenta una pietra miliare nell’analisi statistica di dati categoriali. Conoscere le sue varianti, le condizioni di validità e le buone pratiche di calcolo permette di trarre conclusioni affidabili, supportate da narrative chiare e da report completi. In un mondo in cui le decisioni guidate dai dati fanno la differenza, padroneggiare questo strumento significa offrire soluzioni concrete, facilmente comunicabili e immediatamente applicabili. Sfrutta le potenzialità del test chi quadrato, ma fallo con rigore, attenzione alle condizioni e sensibilità alle dimensioni del campione. In questo modo, la tua analisi non sarà solo corretta, ma anche utile, ripetibile e pronta per essere condivisa con pubblico tecnico e non tecnico.