Considerazioni conclusive

Questo sito ha gettato le basi per affrontare l’inferenza statistica bayesiana. Abbiamo percorso tre tappe: pensare (i concetti), fare (gli strumenti) e guardare (l’esplorazione). È il momento di fare un bilancio di quanto abbiamo appreso e di cosa ci aspetta.

Cosa hai imparato

Un modo di pensare. Prima ancora delle tecniche, hai incontrato un approccio, l’idea che l’analisi dei dati non sia una sequenza meccanica di operazioni, ma un dialogo critico tra domande di ricerca, strumenti di misura e osservazioni empiriche. Hai imparato che la misurazione non è mai neutrale, che le scale hanno proprietà diverse e che le conclusioni dipendono dal modo in cui i dati sono stati raccolti.

Un linguaggio. R non è solo un software, ma un modo per esprimere operazioni sui dati in modo preciso e riproducibile. La sintassi che hai imparato — oggetti, funzioni e pipeline con dplyr — è il vocabolario minimo per comunicare con il computer e con altri ricercatori. Il codice che scrivi oggi potrà essere riletto, verificato e riutilizzato in futuro.

Un’abitudine. L’analisi esplorativa non è un optional da sbrigare in fretta prima dei “veri” test statistici. È il momento in cui scopri se i tuoi dati hanno senso, se le assunzioni che stai per fare sono plausibili e se ci sono anomalie che richiedono attenzione. Hai imparato a visualizzare le distribuzioni, a identificare gli outlier e a verificare le relazioni: sono competenze che ti saranno utili in ogni progetto di ricerca.

Cosa non abbiamo trattato

Questo sito è volutamente propedeutico. Non abbiamo discusso:

  • Inferenza statistica: come trarre conclusioni su una popolazione a partire da un campione, come quantificare l’incertezza, come aggiornare le proprie credenze alla luce dei dati. Questo è il tema centrale del manuale “Inferenza bayesiana in psicologia: Ragionare con l’incertezza. Fondamenti, workflow e applicazioni”.

  • Modelli statistici: regressione, modelli gerarchici, modelli per dati longitudinali. Questi strumenti ti permetteranno di rispondere a domande di ricerca complesse.

  • Programmazione avanzata: funzioni personalizzate, simulazioni, ottimizzazione del codice. Queste competenze diventeranno utili man mano che i tuoi progetti cresceranno in complessità.

  • Stan e i metodi computazionali: il motore probabilistico che rende possibile l’inferenza bayesiana su modelli realistici.

Tutti questi argomenti sono trattati nel manuale principale, che presuppone le competenze acquisite qui.

Il passo successivo

Il manuale “Inferenza bayesiana in psicologia: Ragionare con l’incertezza. Fondamenti, workflow e applicazioni” prosegue dove questo sito si conclude. Ecco cosa troverai:

Parte Contenuto
I-II La crisi di replicabilità e i limiti del paradigma frequentista
III I fondamenti della probabilità bayesiana come misura di credenza razionale
IV L’inferenza bayesiana operativa: distribuzioni, MCMC, workflow
V Applicazioni: regressione, confronto tra gruppi, modelli multilivello
VI Modelli formali del comportamento e validazione cross-studio
VII Riflessioni epistemologiche e Open Science

Il sito companion (ccaudek.github.io/utet-companion) contiene il codice R e Stan per tutti gli esempi del manuale.

Continuità, non discontinuità

Il passaggio dall’esplorazione all’inferenza non rappresenta una discontinuità, ma un’estensione naturale. L’EDA che hai praticato qui diventerà il posterior predictive checking, ovvero il confronto tra le previsioni del modello e i dati effettivi. Le distribuzioni che hai visualizzato diventeranno distribuzioni di probabilità con un’interpretazione ben precisa. Le domande che ti sei posto sui dati diventeranno ipotesi formalizzate in modelli. La correlazione che hai calcolato diventerà un coefficiente di regressione con un intervallo di credibilità.

Un’ultima raccomandazione

La statistica si impara facendola. I capitoli che hai letto, gli esercizi che hai svolto e il codice che hai scritto sono solo l’inizio, non la fine. Ogni dataset che incontrerai nella tua carriera sarà diverso e presenterà problemi nuovi che richiederanno soluzioni creative.

L’atteggiamento che ti sarà più utile non è quello di chi cerca la “procedura giusta” da applicare meccanicamente, ma quello di chi si chiede: “Cosa mi stanno dicendo questi dati?”, “Le mie assunzioni sono ragionevoli?”, “Le mie conclusioni sono robuste?”.

Questo atteggiamento curioso, critico e onesto è ciò che distingue l’analisi dei dati rigorosa dalla semplice produzione di numeri. È anche ciò che rende questo lavoro intellettualmente stimolante.

Buon proseguimento.

ConsiglioRisorse per continuare