| Dalla crisi di replicabilità alla modellazione bayesiana | |
| Fase | Descrizione |
|---|---|
| 1. Crisi | La psicologia affronta una crisi di replicabilità. Il paradigma statistico prevalente mostra limiti strutturali nel garantire una scienza cumulativa. |
| 2. Diagnosi | Il problema è profondo. Il linguaggio statistico standard non quantifica l'incertezza in modo diretto per il ricercatore, e il valore-p risponde a una domanda diversa da quella scientificamente rilevante. |
| 3. Svolta | L'inferenza bayesiana offre un quadro coerente: la probabilità esprime il grado di credenza razionale, aggiornabile coerentemente attraverso il teorema di Bayes. |
| 4. Calcolo | Strumenti computazionali avanzati, come i linguaggi probabilistici (es. Stan), rendono l'inferenza bayesiana accessibile, trasparente e computazionalmente fattibile. |
| 5. Modelli | Si pongono le basi: regressioni bayesiane per descrivere relazioni, con una gestione esplicita dell'incertezza parametrica e dei fondamenti del ragionamento causale. |
| 6. Estensioni | Il framework si generalizza ai Modelli Lineari Generalizzati (GLM), adattandosi a dati categorici, di conteggio e altre distribuzioni. |
| 7. Applicazione | Si costruiscono modelli strutturali più ricchi: multilivello, gerarchici e processuali, capaci di rappresentare meccanismi teorici complessi. |
| 8. Valutazione | I modelli vengono confrontati e selezionati tramite criteri predittivi e di adattamento, superando la logica binaria della significatività statistica. |
| 9. Visione | Verso una psicologia generativa e cumulativa: modelli espliciti che generano previsioni, integrano conoscenza e promuovono una teoria formalmente verificabile. |
Inferenza bayesiana in psicologia: ragionare con l’incertezza
Companion site al manuale
Sito di accompagnamento operativo al manuale di inferenza bayesiana in psicologia
Corrado Caudek 
Benvenuto nel companion site del manuale Inferenza bayesiana in psicologia: Ragionare con l’incertezza (Caudek & Primi, UTET).
Questo portale è lo spazio operativo dove la teoria del manuale si trasforma in pratica: troverai esempi in R e Stan, workflow completi, diagnostiche dettagliate e collegamenti con i materiali di supporto (probabilità, R, statistica frequentista).
L’arco narrativo del companion
Il percorso di questo companion segue una progressione logica che va dalla crisi di replicabilità alla modellazione bayesiana come soluzione metodologica.
L’ecosistema di materiali didattici
Questo companion è parte di un sistema più ampio di risorse per l’apprendimento dell’inferenza bayesiana:
Manuale UTET
Inferenza bayesiana in psicologia
Il cuore teorico: epistemologia, fondamenti, interpretazione
Teoria della probabilità
Fondamenti matematici: assiomi, distribuzioni, teorema di Bayes
Accedi al modulo →R e analisi esplorativa
Strumenti operativi: R, tidyverse, visualizzazione, workflow
Accedi al modulo →Companion (questo sito)
Implementazioni pratiche: Stan, brms, case studies, diagnostiche
Approccio frequentista
Confronto critico: p-value, intervalli di confidenza, test classici
Accedi al modulo →Approccio di apprendimento
Strumenti necessari
Cosa aspettarsi
Presuppone che tu:
✅ Stia leggendo (o abbia già letto) il manuale per la comprensione concettuale.
✅ Abbia una conoscenza di base di R (in caso contrario: utet-eda).
✅ Abbia familiarità con i fondamenti della probabilità (in caso contrario: utet-prob).
Non presuppone che tu:
❌ Conosca già Stan (verrà introdotto progressivamente).
❌ Sia esperto di inferenza bayesiana (questo è il percorso di apprendimento).
❌ Abbia un background informatico (il codice è ampiamente commentato e accessibile).
Inizia da qui
Se hai già chiari i tuoi obiettivi:
- Studente del corso B000286: segui l’ordine dei capitoli in parallelo alle lezioni.
- Studio autonomo: inizia da Come navigare questo ecosistema → Parte Svolta → Parte Calcolo.
- Problema specifico da analizzare: utilizza la ricerca (🔍) o vai direttamente alla Parte Modelli.
- Possiedi il manuale cartaceo: consulta la Guida al manuale per individuare le risorse associate a ciascun capitolo.
Se non sai da dove iniziare:
👉 Come navigare questo ecosistema ti guiderà nella scelta del percorso più adatto.