Guida al manuale

Metodi Bayesiani in Psicologia — pagina di raccordo

Scopo di questa pagina
Questa pagina costituisce il punto di accesso stabile che mette in relazione ciascun capitolo del volume cartaceo con i relativi contenuti digitali: codice R/Stan commentato, diagnostiche di stima, esercizi riproducibili e percorsi di supporto in probabilità, analisi esplorativa dei dati (EDA) e inferenza frequentista.

NotaCome navigare questo progetto

Mappa rapida capitolo ↔︎ risorse

Legenda
Companion = questa documentazione (codice, casi studio, diagnostiche)
Supporto = percorsi di base (probabilità, EDA, approccio frequentista)

Mappa rapida capitolo ↔︎ risorse
Companion = codice, PPC, diagnostiche · Supporto = probabilità/EDA/frequentista
Capitolo Companion Supporto
15 – Quantificare e aggiornare l’incertezza Metodo su griglia utet-prob · Bayes di base
16 – Distribuzioni coniugate Distribuzioni coniugate utet-prob · Distribuzioni comuni
Approfondimento Sintesi a posteriori
Influenza del prior 		utet-prob · Distribuzioni comuni
17 – Metropolis–Hastings Metropolis passo-per-passo
PPL 		utet-prob · Variabili & densità
Approfondimento Introduzione a Stan
Odds ratio 		utet-prob · Distribuzioni comuni
18 – Predittive a priori e a posteriori Distribuzione predittiva a priori
Distribuzione predittiva a posteriori 		utet-eda · Visualizzare distribuzioni
20 – Regressione lineare bayesiana brms: specifica, prior, PPC, interpretazione
Stan: modello base + hier 		utet-frequentista · OLS e residui
utet-eda
21 – Inferenza bayesiana su una media Normale con sigma noto/ignoto (brms/Stan)
Visualizzazioni dell’incertezza 		utet-prob · Normale & varianza
22 – Confronto tra due medie Modello come regressione con dummy
Effetto & incertezza predittiva 		utet-frequentista · t-test come GLM
23 – Modelli multilivello Partial pooling con brms
Stan: hier normal, shrinkage 		utet-prob · Gerarchie e prior
24–26 – Modelli/validazione/Open Science Casi studio (PRL, DDM, RW)
LOO/ELPD, workflow riproducibile 		utet-eda
utet-frequentista

Percorsi di apprendimento suggeriti

Percorso A · Lettura concettuale

  1. Leggi il capitolo principale del manuale.
  2. Consulta le figure e le relative interpretazioni nel companion, senza soffermarti sul codice.
  3. Se necessario, approfondisci i fondamenti teorici nel percorso di supporto associato.

Percorso B · Approccio operativo con brms

  1. Studia il manuale per comprendere il significato e l’interpretazione dei modelli.
  2. Analizza il companion, con particolare attenzione al codice brms commentato, alle verifiche predittive posteriori (PPC) e alle diagnostiche di stima.
  3. Esplora le eventuali estensioni proposte: prior alternativi, verosimiglianze robuste e modelli gerarchici.

Percorso C · Modellazione diretta in Stan

  1. Parti dalla sezione dedicata a Stan nel companion, collegata al capitolo di riferimento.
  2. Esamina la struttura dei modelli statistici: data block, parameters, model e generated quantities.
  3. Verifica la coerenza tra le predizioni dei modelli e i risultati presentati nel manuale.

Domande frequenti

Devo leggere anche i percorsi di supporto?
Consigliato solo se vuoi studiare più nel dettaglio i richiami a probabilità, analisi esplorativa dei dati (EDA) e frequentismo presenti nel manuale.

Dove posso trovare il codice eseguibile?
Nel companion, all’interno delle sezioni indicate nella tabella.

Posso proporre estensioni o segnalare correzioni?
Sì, puoi aprire una issue sulla repository del progetto oppure inviare una nota via email. I link in questa pagina verranno aggiornati periodicamente.

Convenzioni adottate in questo companion

Questo companion adotta alcune convenzioni grafiche e tipografiche per rendere i contenuti più chiari e facilmente navigabili.

Codice

  • Codice R: presentato in blocchi con sfondo grigio.
  • Codice Stan: evidenziato con sintassi dedicata stan.
  • Output di R: preceduto dal prefisso #>.
  • Commenti nel codice: introdotti dal simbolo #.

Esempio:

# Questo è un commento
media <- mean(dati$valore)
#> [1] 5.4  # Questo è l'output

Callout boxes

Il companion utilizza diversi tipi di callout per evidenziare informazioni importanti:

NotaNota

Informazioni aggiuntive utili ma non critiche per la comprensione.

ConsiglioSuggerimento

Best practices e shortcut per workflow più efficienti.

AvvisoAttenzione

Problemi comuni da evitare o aspetti che richiedono cautela.

ImportanteImportante

Concetti critici da non perdere o passaggi essenziali.

Esercizi (dove presenti)

Molti capitoli includono esercizi pensati per consolidare la comprensione, organizzati per livello di difficoltà:

  • 🟢 Base: applicazione diretta dei concetti introdotti nel capitolo.
  • 🟡 Intermedio: integrazione di più concetti o attività di troubleshooting.
  • 🔴 Avanzato: estensioni autonome, debugging complesso o implementazioni non guidate.

Le soluzioni sono disponibili in sezioni collassabili (clicca per espandere).

Notazione matematica

Quando presente, la notazione matematica segue le convenzioni standard:

  • Variabili casuali: lettere maiuscole (es. \(X\), \(Y\)).
  • Realizzazioni osservate: lettere minuscole (es. \(x\), \(y\)).
  • Parametri: lettere greche (es. \(\mu\), \(\sigma\), \(\theta\)).
  • Vettori: grassetto minuscolo (es. \(\mathbf{x}\), \(\boldsymbol{\theta}\)).
  • Matrici: grassetto maiuscolo (es. \(\mathbf{X}\), \(\boldsymbol{\Sigma}\)).

Dataset e riproducibilità

  • Tutti i dataset sono disponibili nel repository GitHub.
  • I file di dati sono in formato .csv o .rds.
  • Ogni dataset ha un codebook con la descrizione delle variabili.
  • Gli script sono completi e progettati per essere direttamente riproducibili.

Per replicare le analisi:

  1. Clona o scarica il repository.
  2. Installa i pacchetti richiesti (elencati all’inizio di ogni capitolo).
  3. Esegui gli script in ordine.
NotaNota sulla riproducibilità MCMC

A causa della natura stocastica del campionamento MCMC, i risultati numerici possono variare leggermente anche a parità di seed. Le conclusioni sostantive rimangono invariate.

Changelog

  • v1.0 — Prima pubblicazione (data: 09 January 2026)