Calcolatore Età Quadratica in R
Calcola l’età quadratica (eta squared) per valutare la grandezza dell’effetto in ANOVA o regressione
Guida Completa al Calcolo dell’Età Quadratica (η²) in R
L’età quadratica (eta squared, η²) è una misura della grandezza dell’effetto (effect size) comunemente utilizzata in analisi della varianza (ANOVA) e regressione. A differenza del valore p, che indica solo se un effetto è statisticamente significativo, l’età quadratica quantifica la proporzione di varianza nella variabile dipendente che è spiegata da una variabile indipendente.
Cos’è l’Età Quadratica?
L’età quadratica rappresenta la proporzione di varianza totale attribuibile a un effetto specifico. Viene calcolata come:
η² = SSbetween / SStotal
Dove:
- SSbetween: Sommatoria dei quadrati tra i gruppi
- SStotal: Sommatoria totale dei quadrati
Differenza tra η² e η²p (Età Quadratica Parziale)
Età Quadratica (η²)
- Rappresenta la proporzione di varianza totale spiegata
- Formula: SSeffect / SStotal
- Adatto per disegni con un solo fattore
- Può essere influenzato da altri effetti nel modello
Età Quadratica Parziale (η²p)
- Rappresenta la proporzione di varianza spiegata escludendo altri effetti
- Formula: SSeffect / (SSeffect + SSerror)
- Adatto per disegni fattoriali complessi
- Meno sensibile alla presenza di altri effetti
Interpretazione dei Valori di η²
Non esistono regole universali per l’interpretazione dell’età quadratica, ma sono state proposte alcune line guida generali:
| Grandezza Effetto | η² | Interpretazione |
|---|---|---|
| Piccolo | 0.01 – 0.059 | Effetto minimo, spiegazione del 1-6% della varianza |
| Medio | 0.06 – 0.139 | Effetto moderato, spiegazione del 6-14% della varianza |
| Grande | ≥ 0.14 | Effetto sostanziale, spiegazione di ≥14% della varianza |
Questi valori sono indicativi e possono variare a seconda del campo di studio. In psicologia, per esempio, effetti intorno a 0.02-0.03 possono essere considerati significativi, mentre in fisica potrebbero essere richiesti valori più alti.
Come Calcolare η² in R
In R, ci sono diversi metodi per calcolare l’età quadratica a seconda del tipo di analisi:
1. Per ANOVA a una via
# Esegui ANOVA
model <- aov(dependent_var ~ independent_var, data = your_data)
# Calcola eta squared
eta_squared <- summary(model)[[1]]$"Sum Sq"[1] / (summary(model)[[1]]$"Sum Sq"[1] + summary(model)[[1]]$"Sum Sq"[2])
# Alternative con pacchetto 'lsr'
install.packages("lsr")
library(lsr)
etaSquared(model)
2. Per ANOVA fattoriale
# Esegui ANOVA fattoriale
model <- aov(dependent_var ~ factor1 * factor2, data = your_data)
# Calcola eta squared parziale per ogni effetto
library(lsr)
etaSquared(model, partial = TRUE)
3. Per regressione lineare
# Esegui regressione
model <- lm(dependent_var ~ predictor1 + predictor2, data = your_data)
# Calcola R squared (equivalente a eta squared in regressione)
summary(model)$r.squared
# Per eta squared parziale di ogni predittore
library(lsr)
etaSquared(model)
Confronto tra η² e altre misure di effect size
| Misura | Formula | Quando usarla | Vantaggi | Limitazioni |
|---|---|---|---|---|
| η² | SSeffect/SStotal | ANOVA, disegni sperimentali | Facile da interpretare, proporzione di varianza spiegata | Può essere influenzato da altri effetti nel modello |
| η²p | SSeffect/(SSeffect + SSerror) | Disegni fattoriali complessi | Controlla per altri effetti nel modello | Può sovrastimare l’effetto in campioni piccoli |
| ω² | (SSeffect – (dfeffect) * MSerror)/(SStotal + MSerror) | ANOVA, stime più conservative | Meno soggetto a bias rispetto a η² | Calcolo più complesso |
| Cohen’s f | √(η²/(1-η²)) | Meta-analisi, confronti tra studi | Standardizzato, utile per confronti | Meno intuitivo di una proporzione |
Errori Comuni nel Calcolo di η²
- Confondere SSbetween con SSeffect: In disegni complessi, assicurarsi di usare la somma dei quadrati corretta per l’effetto specifico che si sta analizzando.
- Ignorare i gradi di libertà: Mentre η² non richiede direttamente i df, questi sono essenziali per calcolare la significatività statistica e la potenza.
- Usare η² quando si dovrebbe usare η²p: In disegni con più fattori, η² parziale è spesso più appropriato.
- Interpretare η² senza considerare il contesto: Un η² di 0.05 potrebbe essere significativo in psicologia ma trascurabile in fisica.
- Dimenticare di riportare gli intervalli di confidenza: Sempre riportare IC al 95% per η² quando possibile.
Calcolo Manuale di η²: Esempio Pratico
Supponiamo di avere i seguenti dati da un esperimento con 3 gruppi:
| Gruppo | n | Media | Varianza |
|---|---|---|---|
| A | 10 | 25 | 16 |
| B | 10 | 30 | 14 |
| C | 10 | 35 | 18 |
Passo 1: Calcolare la media totale (grand mean):
μ = (25*10 + 30*10 + 35*10) / 30 = 30
Passo 2: Calcolare SSbetween:
SSbetween = 10*(25-30)² + 10*(30-30)² + 10*(35-30)² = 10*25 + 0 + 10*25 = 500
Passo 3: Calcolare SSwithin (pooled variance):
SSwithin = (10-1)*16 + (10-1)*14 + (10-1)*18 = 9*16 + 9*14 + 9*18 = 144 + 126 + 162 = 432
Passo 4: Calcolare SStotal:
SStotal = SSbetween + SSwithin = 500 + 432 = 932
Passo 5: Calcolare η²:
η² = SSbetween / SStotal = 500 / 932 ≈ 0.536
In questo caso, η² = 0.536 indica che circa il 54% della varianza totale nei punteggi è spiegata dall’appartenenza ai gruppi. Questo sarebbe considerato un effetto molto grande.
Limitazioni di η²
- Dipendenza dal disegno sperimentale: η² può variare notevolmente a seconda di come è strutturato lo studio.
- Sensibilità alla variabilità: Aumenta con la variabilità tra i gruppi ma non considera la variabilità all’interno dei gruppi.
- Mancanza di standardizzazione: A differenza di Cohen’s d, non è standardizzato per la devianza standard.
- Problemi con campioni piccoli: Può essere instabile con campioni di dimensione ridotta.
- Non considera il modello: η² semplice non tiene conto di altri predittori nel modello.
Alternative a η² in R
Oltre a η², in R è possibile calcolare altre misure di effect size:
1. Omega quadrato (ω²)
# Dopo aver eseguito ANOVA
omega_squared <- (sum_sq_effect - (df_effect * ms_error)) / (sum_sq_total + ms_error)
# Con pacchetto 'compute.es'
install.packages("compute.es")
library(compute.es)
mes(model, type = "within")
2. Cohen’s f
# Da eta squared
cohen_f <- sqrt(eta_squared / (1 - eta_squared))
# Con pacchetto 'effectsize'
install.packages("effectsize")
library(effectsize)
model %>% eta_squared() %>% cohens_f()
3. R quadrato (R²)
# Per modelli lineari
summary(model)$r.squared
# R² aggiustato
summary(model)$adj.r.squared
Visualizzazione di η² in R
Visualizzare gli effect size può aiutare nella comunicazione dei risultati. Ecco alcuni metodi:
1. Bar plot degli effect size
# Dati di esempio
effects <- data.frame(
predictor = c("Trattamento", "Età", "Interazione"),
eta_squared = c(0.45, 0.02, 0.08)
)
# Plot
library(ggplot2)
ggplot(effects, aes(x = reorder(predictor, eta_squared), y = eta_squared, fill = predictor)) +
geom_bar(stat = "identity") +
labs(title = "Confronti degli Effect Size (η²)",
x = "Predittori",
y = "Età Quadratica") +
theme_minimal()
2. Plot con intervalli di confidenza
# Con pacchetto 'effectsize'
library(effectsize)
model %>% eta_squared() %>%
plot()
Risorse Esterne Autorevoli
Per approfondire il calcolo e l’interpretazione di η²:
- National Center for Biotechnology Information (NCBI) – Guide to Effect Sizes
- Laerd Statistics – Eta Squared Guide
- CRAN R Project – Effect Size Package Documentation
- Indiana University – Statistical Power and Effect Size
Domande Frequenti su η²
1. Qual è la differenza tra η² e R²?
Mentre entrambi rappresentano la proporzione di varianza spiegata, η² è tipicamente usato in ANOVA per confrontare gruppi, mentre R² è usato in regressione per valutare quanto bene i predittori spiegino la variabile dipendente. In un’ANOVA a una via con un solo fattore, η² e R² saranno identici.
2. Quando dovrei usare η² parziale invece di η² semplice?
Usa η² parziale quando:
- Il tuo disegno include più fattori o covariate
- Vuoi isolare l’effetto di una specifica variabile indipendente
- Stai conducendo un’ANOVA fattoriale o ANCOVA
η² semplice è più appropriato per disegni con un solo fattore.
3. Come posso calcolare gli intervalli di confidenza per η²?
In R, puoi usare il pacchetto MBESS:
install.packages("MBESS")
library(MBESS)
# Dopo aver calcolato eta squared
ci.eta.squared(eta.squared = 0.25, n = 100, conf.level = 0.95)
4. η² può essere negativo?
No, η² non può mai essere negativo perché rappresenta una proporzione di varianza (un quadrato). Tuttavia, ω² (omega quadrato) può teoricamente essere negativo se SSeffect è minore di dfeffect * MSerror, anche se in pratica questo è raro.
5. Qual è la relazione tra η² e la potenza statistica?
η² è direttamente collegato alla potenza statistica:
- Maggiore è η², maggiore sarà la potenza (a parità di altre condizioni)
- La potenza aumenta con l’aumentare dell’effect size
- Puoi usare η² per calcolare la potenza a priori con pacchetti come
pwr:
install.packages("pwr")
library(pwr)
# Calcolo potenza per ANOVA
pwr.anova.test(k = 3, n = 20, f = sqrt(0.25/(1-0.25)), sig.level = 0.05)
Conclusione
L’età quadratica (η²) è una misura fondamentale per quantificare la grandezza dell’effetto in analisi della varianza e regressione. Mentre i valori p ci dicono se un effetto è statisticamente significativo, η² ci dice quanto è grande quell’effetto in termini di proporzione di varianza spiegata.
Ricorda che:
- η² semplice è appropriato per disegni con un solo fattore
- η² parziale è preferibile per disegni fattoriali complessi
- Sempre riportare η² insieme agli intervalli di confidenza
- Interpretare η² nel contesto del tuo specifico campo di studio
- Considerare alternative come ω² per stime più conservative
Usando R, hai a disposizione numerosi pacchetti (lsr, effectsize, compute.es) che semplificano il calcolo e l’interpretazione di η². La nostra calcolatrice interattiva in cima a questa pagina ti permette di ottenere rapidamente questi valori senza dover scrivere codice R.
Per ricerche accademiche, assicurati di consultare le line guida specifiche della tua disciplina per la segnalazione degli effect size, come quelle dell’American Psychological Association (APA) che raccomandano sempre di riportare misure di effect size insieme ai valori p.