Metodi di analisi dei dati: quale scegliere e perché

Immagina due tesi di laurea sul tavolo della commissione: trenta grafici in una, una sola media e tre citazioni di intervista nell'altra. Quale è stata analizzata meglio? Non decide la quantità, decide se il metodo si accorda con la domanda.

È qui che entrano in gioco i metodi di analisi, ed è qui che in tanti si perdono. I metodi di analisi dei dati sono le procedure sistematiche con cui ordini, sintetizzi e verifichi il materiale raccolto perché risponda alla tua domanda di ricerca. Tre elementi decidono quale sia adatto: la domanda di ricerca, il tipo di materiale e, per i numeri, la scala di misura. Alla fine di questo articolo saprai motivare la tua scelta invece di limitarti ad affermarla.

📌 In breve

• La domanda di ricerca decide il metodo, non la quantità di dati.
• La statistica descrittiva viene sempre prima di quella inferenziale.
• La scala di misura limita quali indici puoi calcolare.
• Il materiale qualitativo passa per registrazione, trascrizione e codifica.
• Un campione non probabilistico richiede assunzioni esplicite.

Che cosa sono i metodi di analisi dei dati?

I metodi di analisi dei dati sono procedure definite e ripetibili per ordinare, sintetizzare e interpretare il materiale raccolto. Cominciano dove finisce la rilevazione e si concludono dove numeri o testi sono diventati una risposta argomentata alla domanda di ricerca.

Più espressioni indicano la stessa cosa. Analisi dei dati, elaborazione dei dati e tecniche di analisi si usano in modo intercambiabile nelle tesi italiane, e nessuna è più precisa delle altre. Conta molto di più un'altra distinzione: quella tra preparazione, analisi e interpretazione.

La preparazione rende il materiale utilizzabile: controllo dei valori mancanti, codifica delle risposte, trascrizione delle registrazioni. L'analisi trasforma quel materiale in indici o in categorie. L'interpretazione legge quei risultati alla luce della domanda di ricerca e della letteratura. Mescolare interpretazione e analisi fa perdere proprio la tracciabilità che una commissione cerca.

Scegliere il metodo di analisi: tre domande

Scegliere il metodo di analisi significa rispondere a tre domande in ordine: che cosa vuoi scoprire, che tipo di materiale hai raccolto e su quale scala di misura è rilevato? Solo la terza restringe il campo abbastanza da lasciare una tecnica precisa.

L'ordine non è invertibile. Scegliere prima una tecnica perché è comparsa in un corso e poi piegare la domanda di ricerca perché le si adatti produce una tesi che calcola bene e non spiega nulla. In sede di discussione la commissione chiede quasi sempre la motivazione, quasi mai il numero di tabelle.

Scrivi le tre risposte prima di aprire qualsiasi software. Diventeranno il primo paragrafo del tuo capitolo metodologico e ti eviteranno l'osservazione più frequente in sede di laurea: un'analisi corretta ma senza motivazione.

Metodi di analisi quantitativa: descrivere e inferire

I metodi di analisi quantitativa si dividono in due gruppi: la statistica descrittiva sintetizza i dati che hai davanti, la statistica inferenziale verifica se un risultato regge nella popolazione. Una tesi empirica ha bisogno di entrambe, perché l'una senza l'altra resta senza portata oppure senza fondamento.

L'ordine non cambia mai. L'analisi descrittiva mostra com'è composto il tuo campione e se i valori sono anche solo plausibili. Solo dopo ha senso chiedersi se una differenza reggerebbe fuori dal campione. Il confronto completo sta nel nostro articolo su statistica descrittiva e inferenziale.

Statistica descrittiva: sintetizzare il proprio campione

La statistica descrittiva riassume i dati in pochi indici senza uscire dal campione. Comprende frequenze e percentuali, indici di posizione come media, mediana e moda, indici di dispersione come campo di variazione, deviazione standard e varianza, e indici di associazione come il coefficiente di correlazione, che va da -1 a +1 e dove 0 indica assenza di legame lineare.

Qui torna sempre lo stesso errore: la correlazione non dimostra una causa. Quando due caratteri si muovono insieme, dietro può esserci un terzo carattere non rilevato. Per affermare una causalità serve un disegno di ricerca che escluda le spiegazioni alternative, non un coefficiente più alto.

Statistica inferenziale: dal campione alla popolazione

La statistica inferenziale usa test di significatività e intervalli di confidenza per valutare se una differenza osservata nel campione è plausibile nella popolazione. Lo strumento consueto è il test d'ipotesi: contrapponi un'ipotesi alternativa all'ipotesi nulla e calcoli quanto i dati siano compatibili con quest'ultima.

Su questo punto molte guide scrivono una cosa sbagliata. L'American Statistical Association ha pubblicato nel 2016 sei principi sul valore p, e due smontano il fraintendimento più diffuso: un valore p non misura né la probabilità che l'ipotesi studiata sia vera né l'ampiezza o l'importanza di un effetto (American Statistical Association, 2016). Un test può rifiutare l'ipotesi nulla, dimostrarla mai.

Campioni non probabilistici: il caso di quasi ogni tesi

Un campione non probabilistico è un campione in cui non tutte le unità della popolazione hanno una probabilità nota di essere estratte, ed è la situazione di quasi tutte le tesi di laurea: il questionario circola tra contatti, gruppi e conoscenti. Il problema non è il campione in sé, è il modo in cui se ne parla.

Istat lo scrive senza giri di parole nelle sue linee guida sulla qualità: trarre conclusioni sulla popolazione a partire da un campione non probabilistico può essere fuorviante, perché il rischio che le stime siano affette da distorsione da selezione è elevato. In quelle circostanze è opportuno esplicitare le assunzioni alla base dell'inferenza e corredare le stime con una stima dell'errore campionario (Istat, Linee guida per la qualità dei processi statistici, consultato il 23/08/2026).

Che cosa scrivere nella tesi, invece di tacere

Dichiara il tipo di campionamento nel capitolo metodologico, indica come sono state raggiunte le persone e quali gruppi risultano sovrarappresentati. Poi formula i risultati come descrizione del campione, non come stima della popolazione: «nel campione raccolto» invece di «tra gli studenti italiani». Una scelta dichiarata non toglie voto, una scelta nascosta sì.

Errore campionario ed errori non campionari

Istat distingue l'errore campionario, che deriva dalla scelta di rilevare solo un campione e diminuisce all'aumentare dell'ampiezza campionaria, dagli errori non campionari: errori di copertura, mancate risposte totali e parziali, errori di misurazione. La differenza pratica è decisiva.

Aumentare il numero di rispondenti riduce il primo e non tocca i secondi. Gli errori non campionari possono anzi produrre distorsione, cioè deviazioni sistematiche delle stime rispetto al valore vero, e resterebbero presenti anche in una rilevazione totale. Un campione grande e sbilanciato resta un campione sbilanciato.

Quale tecnica per quale scala di misura?

La scala di misura decide quali indici e quali test i tuoi dati sopportano. Le variabili nominali ammettono solo frequenze, quelle ordinali aggiungono i ranghi e la mediana, quelle metriche sono le prime a consentire la media aritmetica e tutto ciò che vi si appoggia.

La tabella che segue resta volutamente breve e copre i casi che compaiono in quasi tutte le tesi triennali e magistrali. Il nostro articolo sulla scala di misura spiega che cosa c'è dietro ogni livello.

Non è una formalità. Una media aritmetica su categorie nominali, per esempio un corso di laurea medio, produce un numero privo di significato, ed è esattamente il tipo di numero che una commissione individua in pochi secondi.

⚠️ Attenzione

Le scale Likert sono in senso stretto ordinali, perché nulla garantisce che la distanza tra «d'accordo» e «molto d'accordo» sia uguale a quella tra gli altri gradini. La letteratura metodologica resta divisa sulla liceità della media. Riporta allora anche mediana e distribuzione di frequenza e motiva la scelta nel capitolo metodologico.

Metodi di analisi qualitativa: dall'intervista alla categoria

I metodi di analisi qualitativa condensano materiale testuale, sonoro o visivo in una risposta alla domanda di ricerca attraverso un sistema di categorie. A differenza dei numeri, quel materiale non arriva in forma analizzabile, e per questo c'è sempre prima una fase di preparazione.

Il percorso si somiglia molto da un approccio all'altro, anche se le scuole motivano il proprio procedere in modi molto diversi. Tre passaggi attraversano praticamente ogni analisi qualitativa.

I tre passaggi di ogni analisi qualitativa

1. Registrazione. Interviste, focus group o osservazioni vengono registrate o verbalizzate, con il consenso documentato delle persone coinvolte.
2. Trascrizione. La registrazione viene messa per iscritto secondo regole fissate in anticipo. Se riportare o meno pause, intercalari e tratti dialettali dipende dall'approccio e va motivato nel capitolo metodologico.
3. Codifica. Il testo viene assegnato a categorie brano per brano. Le categorie nascono induttivamente dal materiale oppure vengono dedotte dalla teoria e dalla traccia di intervista.

Gli approcci che incontrerai più spesso

L'analisi qualitativa del contenuto è l'approccio più diffuso nelle tesi italiane, spesso nella sua variante tematica. Philipp Mayring ne ha sistematizzato la versione tedesca fin dalla prima edizione del 1982 e distingue la costruzione induttiva delle categorie dalla loro applicazione deduttiva a partire da una griglia di codifica predisposta.

Altri approcci seguono una logica diversa. La grounded theory di Glaser e Strauss punta a costruire teoria a partire dal materiale e alterna di continuo raccolta e analisi. Gli approcci sequenziali ed ermeneutici lavorano in modo molto fine su pochi brani e si adattano a campioni piccoli. Non esiste una regola generale: comanda la domanda di ricerca.

Il nostro consiglio di lettura: Mayring, Philipp (2010). Qualitative Inhaltsanalyse. Grundlagen und Techniken. 12ª edizione. Weinheim e Basilea: Beltz. Una sintesi in inglese dello stesso autore, del 2014, è liberamente disponibile nel Social Science Open Access Repository.

Scrivere il capitolo metodologico della tesi

La descrizione del metodo di analisi sta nel capitolo metodologico e risponde a quattro domande: quale tecnica hai scelto, perché si adatta alla domanda di ricerca, come l'hai applicata concretamente e quale software hai usato. Quattro o sei paragrafi bastano quasi sempre.

Conta la motivazione, non la descrizione. Una frase come «i dati sono stati analizzati con SPSS» non dice nulla su una decisione metodologica. «Poiché la variabile dipendente è ordinale, al posto del test t è stato usato un test sui ranghi» mostra invece che conosci i limiti del tuo materiale.

Scrivi inoltre il capitolo in modo che un'altra persona possa ripetere la tua analisi. È esattamente ciò che verificano i criteri di oggettività, attendibilità e validità, ed è il punto in cui crollano le tesi con molti calcoli e poca documentazione. A fare fede restano il regolamento del tuo corso di laurea e le indicazioni del relatore.

Errori tipici nell'analisi

I punti persi in una tesi empirica raramente dipendono da una formula sbagliata. Dipendono da quattro errori di ragionamento ricorrenti, tutti evitabili se li conosci prima di iniziare a calcolare.

Errore 1: fissare il metodo prima della domanda

Scegliere il metodo di analisi prima di aver chiuso la domanda di ricerca significa costruire la tesi al contrario. Ne esce una raccolta di indici calcolati correttamente che, messi insieme, non affermano nulla. Formula le tue ipotesi prima di digitare la prima riga nel software.

Errore 2: calcolare indici che la scala non consente

Una media su voti, ranghi o categorie di risposta sembra innocua e resta indifendibile. Verifica la scala di misura di ogni variabile separatamente e annota il risultato prima di analizzare qualsiasi cosa. Venti minuti di lavoro ti risparmiano una domanda scomoda in sede di discussione.

Errore 3: confondere significatività e importanza

Un risultato significativo non dice nulla su quanto l'effetto sia grande o rilevante nella pratica. Con campioni molto ampi anche una differenza minima diventa significativa. Riporta perciò una misura di ampiezza dell'effetto accanto a ogni valore p e spiega che cosa significa concretamente la differenza.

Errore 4: pensare all'analisi dopo la rilevazione

Diffondere il questionario e pensare dopo all'analisi porta spesso a scoprire che una domanda decisiva è stata posta nel formato sbagliato. Una domanda aperta non si trasforma a posteriori in una scala. Pensa all'analisi mentre costruisci il questionario.

Conclusione

Il metodo di analisi giusto non sta in nessun elenco. Nasce dalla tua domanda di ricerca, dal tipo di materiale e dalla scala di misura. Chiarire questi tre punti prima della rilevazione evita la scoperta sgradevole che i dati più belli rispondono alla domanda sbagliata.

Non sono i dati a decidere il metodo. È la domanda a decidere entrambi.

Come proseguire

• Vuoi distinguere i due rami della statistica? Statistica descrittiva e inferenziale
• Hai dubbi sulla scala di misura delle tue variabili? Determinare la scala di misura
• Cerchi il quadro completo del percorso? La ricerca empirica

Pensare all'analisi già mentre crei il questionario?

Con empirio.ai, uno strumento per questionari online che arriva dalla Germania, vedi frequenze, tavole di contingenza e filtri in un cruscotto che si aggiorna a ogni nuova risposta.

Crea un questionario e analizzalo subito