Skip to content
Torna ai risultati

Standard di Rendicontazione Statistica: Rendicontazione Trasparente delle Analisi

Introdotto da
Statistical and methodological literature; emphasized by Cumming (2013), ICMJE, and replication crisis discussions
Anno
2005
Tipo
Guideline
Famiglia
results-reporting

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

La rendicontazione trasparente dei risultati statistici—inclusi le dimensioni dell'effetto, gli intervalli di confidenza, i valori p e le assunzioni—è essenziale per l'integrità scientifica e la riproducibilità.

Molti studi pubblicati riportano i valori p isolatamente, senza dimensioni dell'effetto o intervalli di confidenza, rendendo impossibile per i lettori valutare la magnitudo dei risultati. Gli standard di rendicontazione statistica, enfatizzati da Cumming (2013), dall'American Statistical Association e dall'ICMJE, richiedono dimensioni dell'effetto, intervalli di confidenza e discussione dell'incertezza. Ciò consente ai lettori di giudicare se i risultati sono praticamente significativi (non solo statisticamente significativi) e di confrontare le dimensioni dell'effetto tra studi in meta-analisi. Una scarsa rendicontazione statistica spreca risorse di ricerca e impedisce una corretta sintesi delle evidenze.

L’intuizione alla base del metodo

I valori p sono ampiamente fraintesi: un p<0.05 NON significa che il risultato sia 'importante' o che l'ipotesi nulla sia 'falsa'. Significa semplicemente che i dati osservati si verificherebbero meno del 5% delle volte se l'ipotesi nulla fosse vera. Un effetto banale (es. differenza dello 0,1%) può avere p<0,001 con un campione ampio; viceversa, un effetto clinicamente importante (es. riduzione del 50% dei sintomi) potrebbe non raggiungere p<0,05 con un campione piccolo. Le dimensioni dell'effetto e gli intervalli di confidenza affrontano questo problema: quantificano la magnitudo dell'effetto e l'intervallo dei valori plausibili. Un intervallo di confidenza al 95% di [2,1, 2,3] indica che siamo sicuri al 95% che l'effetto reale sia compreso tra 2,1 e 2,3; se l'intervallo di confidenza include zero o un valore di effetto nullo, il risultato non è statisticamente significativo. Queste informazioni aggiuntive—assenti nei soli valori p—consentono ai lettori di interpretare i risultati in modo significativo.

Storia

Gli standard di rendicontazione statistica si sono evoluti da una critica decennale dell'uso improprio dei valori p nella scienza. Nel 1992, la rivista Epidemiology richiese intervalli di confidenza accanto ai valori p; altre riviste seguirono. L'influente articolo di Cumming (2013) 'The New Statistics' sostenne le dimensioni dell'effetto e gli intervalli di confidenza come superiori alle soglie di valore p. Nel 2019, l'American Statistical Association ha pubblicato una guida che metteva in guardia contro p<0,05 come soglia universale per la 'significatività'. Le principali riviste (JAMA, Lancet, ecc.) ora richiedono dimensioni dell'effetto. Le Raccomandazioni ICMJE (aggiornate nel 2023) enfatizzano la rendicontazione delle dimensioni dell'effetto e dell'incertezza. Questo cambiamento riflette le lezioni dalla crisi della replicazione: molti risultati pubblicati con p<0,05 non sono riusciti a replicarsi perché le dimensioni dell'effetto erano piccole, un fatto nascosto dai soli valori p.

Quando usarlo

Riportare le statistiche in modo trasparente in tutte le ricerche empiriche: studi osservazionali, esperimenti, sondaggi, studi clinici, meta-analisi. Ciò si applica alle analisi primarie e alle analisi di sensibilità/sottogruppo. Per studi descrittivi senza test di ipotesi (es. sondaggi descrittivi), riportare chiaramente statistiche descrittive, range e proporzioni. Per la ricerca qualitativa, la rendicontazione statistica non si applica, ma descrivere in modo trasparente il campione e il metodo di analisi. Per studi di modellazione o simulazione, riportare dimensioni dell'effetto e intervalli di confidenza attorno agli esiti chiave.

Limiti e considerazioni

  • Richiede spazio: una rendicontazione statistica completa (dimensione dell'effetto, IC, valore p, assunzioni) richiede più spazio del solo 'p<0,001'; i limiti della rivista possono comprimere altri contenuti.
  • Complessità: i lettori non familiari con le dimensioni dell'effetto potrebbero trovare difficile interpretare una rendicontazione completa; è necessaria formazione.
  • Ambiguità interpretativa: la dimensione dell'effetto 'significativa' dipende dal contesto (d=0,2 è piccolo in alcuni campi, grande in altri); non esiste uno standard universale.
  • Confronti multipli aumentano i falsi positivi: anche con correzioni, molti test di ipotesi aumentano l'errore di Tipo I; una rendicontazione completa non risolve questo problema, solo lo documenta.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Consente l'interpretazione della magnitudo: i lettori vedono non solo 'differenza significativa' ma 'la differenza è d=0,47' (effetto medio), cruciale per giudicare la significatività pratica.
  • Facilita la meta-analisi: le dimensioni dell'effetto consentono di combinare gli studi; i soli valori p sono insufficienti per la meta-analisi.
  • Riduce il bias di p-hacking: quando vengono riportate le dimensioni dell'effetto, i lettori possono vedere quando gli effetti sono triviali nonostante p<0,05, riducendo l'incentivo per i gradi di libertà del ricercatore.
  • Migliora la riproducibilità: gli intervalli di confidenza e il controllo delle assunzioni consentono ai lettori di valutare la sensibilità e la validità dei risultati.
  • Supporta l'analisi di potenza a posteriori: le dimensioni dell'effetto riportate consentono il calcolo della potenza statistica, rivelando se studi sottodimensionati hanno guidato risultati nulli.

Applicazioni

  • Scrivere un articolo di ricerca: pianificare la rendicontazione statistica prima dell'analisi; riportare dimensioni dell'effetto e IC accanto ai valori p; organizzare i risultati per ipotesi.
  • Condurre una meta-analisi: le dimensioni dell'effetto estratte dagli studi primari consentono l'aggregazione; gli articoli che riportano solo valori p sono più difficili da includere.
  • Revisionare un manoscritto: verificare che le statistiche siano riportate in modo completo; richiedere dimensioni dell'effetto e IC se mancanti.
  • Preparare una proposta di finanziamento: l'analisi della potenza statistica (che utilizza le dimensioni dell'effetto) è standard nelle revisioni di finanziamenti NIH e di altro tipo; dimostrare familiarità con la rendicontazione delle dimensioni dell'effetto.

Come funziona

Come funziona

1

Riportare le statistiche in questo ordine e formato: (1) Statistiche descrittive: media ± DS (o mediana e range interquartile per dati asimmetrici) per ciascun gruppo. Esempio: 'Gruppo di trattamento (M=45,2, DS=8,3) vs. Gruppo di controllo (M=42,1, DS=7,9).' (2) Nome del test statistico e risultato: Specificare il test (t-test, chi-quadro, ANOVA, ecc.), la statistica del test, i gradi di libertà, il valore p e la dimensione dell'effetto. Esempio: 't(98)=2,34, p=0,021, d=0,47.' (3) Intervallo di confidenza: Includere l'IC al 95% per la differenza o la dimensione dell'effetto. Esempio: 'IC 95% [0,52, 3,21].' (4) Dimensione dell'effetto: Riportare la dimensione dell'effetto appropriata per il test. Per outcome continui: Cohen d (differenza media standardizzata), Pearson r (correlazione), o eta-quadro (η²) (proporzione di varianza spiegata). Per outcome binari: rischio relativo, odds ratio, numero necessario da trattare. Per confronti di medie: riportare la differenza assoluta con unità. (5) Assunzioni testate: indicare se le assunzioni sono state soddisfatte (es. 'La normalità è stata valutata con il test di Shapiro-Wilk, W=0,98, p=0,45, indicando che i dati sono approssimativamente normali'). (6) Correzioni per confronti multipli: se si conducono test multipli, riportare il metodo di correzione utilizzato (Bonferroni, False Discovery Rate, ecc.) e la soglia p aggiustata. Esempio: 'α corretta con Bonferroni=0,05/3=0,017.' (7) Dati mancanti: descrivere come sono stati gestiti i dati mancanti (eliminazione, metodo di imputazione). Organizzare i risultati per ipotesi o domanda di ricerca; raggruppare le statistiche correlate. Utilizzare tabelle per risultati numerici dettagliati.

2

Una rendicontazione statistica di qualità soddisfa questi criteri: (1) Completezza: valori p, dimensioni dell'effetto e intervalli di confidenza sono tutti riportati; nessun valore p 'nudo'. (2) Accuratezza: i valori sono corretti e coerenti con l'analisi descritta nei Metodi. (3) Trasparenza: il metodo statistico è nominato esplicitamente (es. 't-test appaiato' non solo 't-test'); le assunzioni sono affrontate. (4) Dimensione dell'effetto: viene scelta la dimensione dell'effetto appropriata per il test (d per confronti tra due gruppi, r per correlazioni, ecc.). (5) Precisione: i valori sono riportati con cifre significative appropriate (valori p a 2-3 decimali, es. p=0,021, non p<0,05). (6) Coerenza: risultati simili sono formattati in modo identico; una serie di t-test riporta tutti t, df, p e d. (7) Chiarezza: i risultati sono presentati in prosa o tabelle nell'ordine delle domande di ricerca dichiarate nell'Introduzione. I lettori dovrebbero essere in grado di verificare i risultati esaminando le tabelle e incrociandole con il testo.

3

I revisori e gli editor controllano la rendicontazione statistica per trasparenza e conformità agli standard del settore. Mancanza di dimensioni dell'effetto, affermazioni non supportate di 'significatività' o statistiche errate innescano richieste di revisione. Il bias di pubblicazione è ridotto quando vengono riportate dimensioni dell'effetto e intervalli di confidenza: revisori e lettori possono valutare la reale magnitudo dei risultati, non solo se p<0,05. Nelle meta-analisi, le dimensioni dell'effetto di tutti gli studi vengono aggregate; gli studi che riportano solo valori p senza dimensioni dell'effetto devono essere esclusi o stimati a posteriori da altre statistiche, introducendo errori. Per gli autori, una rendicontazione statistica trasparente aumenta la riproducibilità, consente una sintesi adeguata e dimostra rigore.

Errori comuni

  • Riportare valori p senza dimensioni dell'effetto: 'p=0,021' dice ai lettori che il risultato è 'significativo' ma non se l'effetto è banale (es. d=0,1) o grande (d=1,5). Riportare sempre la dimensione dell'effetto.
  • Confondere significatività statistica e pratica: p=0,001 indica una forte evidenza contro l'ipotesi nulla, ma se l'effetto è clinicamente irrilevante (es. differenza di 0,1 mmHg nella pressione sanguigna), non è praticamente significativo. Discutere entrambi.
  • Selezione di valori p (cherry-picking): riportare solo il valore p che è <0,05 nascondendo i risultati non significativi (p-hacking). Pre-registrare le ipotesi e riportare tutti i test, significativi o meno.
  • Riportare 'tendenza verso la significatività' per p=0,10 o 'avvicinamento alla significatività' per p=0,06: questi sono informali e fuorvianti. O il risultato soddisfa la vostra soglia o non la soddisfa; discutere onestamente i risultati non significativi.
  • Errata interpretazione degli intervalli di confidenza: un IC al 95% NON è l'intervallo che contiene il 95% dei dati; è l'intervallo in cui siamo sicuri al 95% che contenga il vero parametro. Spiegare correttamente per evitare confusione.
  • Omissione delle statistiche descrittive di base: i lettori non possono valutare se i gruppi fossero comparabili o se i campioni siano rappresentativi se i dati demografici/di base non vengono riportati.

Domande frequenti

Quale dimensione dell'effetto dovrei riportare?

Scegliere la dimensione dell'effetto appropriata al proprio test statistico: Per i t-test (confronto tra due gruppi): Cohen d (differenza media standardizzata) o la differenza grezza con unità. Per ANOVA: eta-quadro (η²) o eta-quadro parziale (η²p). Per correlazione: Pearson r o r-quadro (R²). Per outcome binari (es. successo del trattamento): odds ratio (OR), rischio relativo (RR), o differenza di rischio assoluta. Per dati appaiati: Cohen d o Hedge's g (simile a d, usato nelle meta-analisi). In caso di dubbio, consultare gli standard specifici del settore o le linee guida di rendicontazione (EQUATOR Network).

È sufficiente riportare solo il valore p?

No. Il valore p da solo è insufficiente perché non indica la magnitudo dell'effetto. Un p=0,001 potrebbe riflettere un effetto banale (se il campione è ampio) o un effetto enorme (se il campione è piccolo). Riportare sempre la dimensione dell'effetto e l'IC al 95%. La combinazione di valore p + dimensione dell'effetto + IC fornisce ai lettori il quadro completo.

Cosa devo fare se ho molti test e diversi valori p sono 'vicini alla significatività' (es. p=0,06)?

Riportarli onestamente. Un p=0,06 non è statisticamente significativo con α=0,05; non diventa significativo chiamandolo 'tendenza'. Discutere cosa significa il risultato non significativo nel contesto (mancanza di potenza? effetto nullo reale?). Se sono stati condotti test multipli, riportare come è stato controllato l'errore di Tipo I (Bonferroni, FDR, ecc.). Pre-registrare le ipotesi per distinguere le analisi confermative da quelle esplorative.

Quanti decimali dovrei usare per i valori p?

Due o tre cifre decimali sono standard (es. p=0,021, p<0,001). Non riportare p=0,050000. I valori p esatti sono preferibili alle disuguaglianze (p=0,021 piuttosto che p<0,05) quando il valore esatto è disponibile dal software statistico. Usare 'p<0,001' solo se il software arrotonda valori più piccoli o se il test è a una coda con una soglia molto bassa.

Dovrei riportare l'IC al 95% o altri livelli di confidenza?

Utilizzare l'IC al 95% a meno che il proprio settore non abbia una convenzione diversa (alcune vecchie pubblicazioni mediche usavano il 90% o il 99%). L'IC al 95% è lo standard perché si allinea con α=0,05. Se si riporta un IC al 90%, indicare esplicitamente 'IC90%' per evitare confusione. Non mescolare livelli di confidenza nello stesso articolo.

Metodi correlati

Fonti

  1. Cumming, G. (2013). The new statistics: Why and how. Psychological Science, 25(1), 7–29.

    Apri il riferimento DOI
    Copiato.
  2. Fidler, F., Thomason, N., Cumming, G., Finch, S., & Leeman, J. (2005). Editors can lead researchers to confidence intervals, but can't make them think: Statistical reform lessons from medicine. Psychological Science, 15(2), 119–126.

    Apri il riferimento DOI
    Copiato.
  3. International Committee of Medical Journal Editors (2023). Recommendations for the Conduct, Reporting, Editing, and Publication of Scholarly Work in Medical Journals.

    Apri il riferimento della pubblicazione
    Copiato.