Scrivici su WhatsApp
Strumenti

SPSS per la tesi: guida pratica ai 5 test statistici fondamentali

Team SheetHub · 11 min di lettura

Schermata SPSS con dataset caricato, menu analisi aperto, output statistico visibile

Apri SPSS per la prima volta. Vedi due finestre: una con i dati (quella di sinistra), una vuota per l'output (destra). I menu in alto ti guardano fisso. Non c'è una freccia rossa che ti dice "inizia da qui" e il primo istinto è cercare il bottone "Run analysis" che non esiste.

Una cosa che vediamo continuamente: gli studenti caricano i dati, vogliono lanciare un test t, ma non sanno se vai su "Analyze" o "Statistics" o cosa. Fanno il test sbagliato. L'output esce fuori — una tabella di numeri — e loro non capiscono se il risultato è quello che serve oppure se hanno cliccato nel posto sbagliato.

SPSS non è il problema. È che nessuno ha mostrato loro il percorso pratico: dove sono i dati, quale bottone, quale output, cosa significano i numeri, come si scrive nella tesi.

In questa guida SPSS tutorial italiano vediamo i cinque test statistici che usi davvero in una tesi quantitativa — test t, ANOVA, chi quadro, correlazione di Pearson, regressione lineare — e per ognuno: dove cliccare, quale output scegliere, come interpretarlo, come metterlo nella tesi. Se sei bloccato con i dati pronti ma SPSS è terra incognita, questa guida è per te.

Se invece non sei ancora sicuro quale software scegliere tra SPSS e alternative come R, abbiamo una guida sul confronto tra software di analisi dati che ti aiuta a decidere.

Importare i dati e preparare il dataset

Prima di lanciare qualunque test, i dati devono essere dentro SPSS nella forma giusta.

Se il tuo dataset è un file CSV o Excel, apri SPSS. File → Open Data. Seleziona il file (CSV, XLSX, o quello che hai). SPSS lo riconosce e lo carica. Vedrai le colonne come variabili e le righe come casi (i rispondenti del tuo questionario, le unità osservate).

Una cosa importante: in SPSS c'è una distinzione tra due viste: Data View (dove vedi i numeri) e Variable View (dove definisci che tipo di variabile è ogni colonna). Clicca sulla tab "Variable View" in basso.

In Variable View vedi:

Se il relatore ti chiede un'analisi seria, questa distinzione conta — SPSS cambia il menu dei test in base a "Measure". Una variabile continua (Scale) è diversa da una categorica (Nominal), e i test cambiano.

Una volta impostato bene, torna a Data View e sei pronto.

Statistiche descrittive

Prima di qualunque test d'ipotesi, la prima cosa da fare è "che aspetto hanno i miei dati?"

Vai su Analyze → Descriptive Statistics → Frequencies. Seleziona le variabili. SPSS genera una tabella con:

Questa tabella va dritta nella tesi nella sezione "Caratteristiche del campione" o "Statistiche descrittive". Non è un test vero, è il passo 1: il lettore della tesi capisce subito con chi hai lavorato.

Se vuoi una tabella ancora più compatta, usa Analyze → Descriptive Statistics → Descriptives. Vedrai media, deviazione standard, min, max in una sola riga per ogni variabile.

Test t per campioni indipendenti

È il test classico: confronti due gruppi e vuoi sapere se differiscono davvero nella media di una variabile continua.

Esempio: gli uomini hanno una media di soddisfazione diversa dalle donne?

Vai su Analyze → Compare Means → Independent-Samples T Test.

In questa finestra:

  1. In "Test Variable(s)" metti la variabile continua che vuoi confrontare (es. "soddisfazione")
  2. In "Grouping Variable" metti la variabile categorica (es. "genere")
  3. Clicca su "Define Groups" e specifica i valori (es. 1 = uomo, 2 = donna)
  4. OK

Quando si usa

Il test t per campioni indipendenti serve quando:

Se i tuoi dati sono questi, il test t è quello che serve. Se hai tre o più gruppi, non è il test t — è l'ANOVA (vedi dopo).

Come interpretare l'output

SPSS genera una tabella complessa. Quello che conta:

  1. Levene's Test for Equality of Variances: è una riga che ti dice "le varianze dei due gruppi sono uguali?". Se il p-value è > 0.05, le varianze sono uguali e usi la riga superiore del t-test. Se è < 0.05, le varianze sono diverse e usi la riga "Equal variances not assumed".
  2. t-value e Sig. (2-tailed): il t-value è il numero dell'accrocchio. Il Sig. (significatività a due code) è il p-value. Se è < 0.05, la differenza tra i gruppi è statisticamente significativa — gli uomini e le donne hanno davvero una media di soddisfazione diversa.
  3. Mean Difference: è la differenza effettiva tra le medie. Se è 5.2, significa che il gruppo 1 ha una media 5.2 punti più alta del gruppo 2.

Scrivere nella tesi: "Un t-test per campioni indipendenti ha rivelato una differenza statisticamente significativa nella soddisfazione tra uomini (M = 7.3, DS = 1.2) e donne (M = 6.1, DS = 1.5), t(198) = 2.45, p = 0.015".

ANOVA a una via

Se non hai due gruppi ma tre o più, il test t non funziona. Usi l'ANOVA (Analysis of Variance).

Esempio: la soddisfazione cambia tra le tre fasce d'età (giovani, adulti, maturi)?

Vai su Analyze → Compare Means → One-Way ANOVA.

  1. In "Dependent List" metti la variabile continua (es. "soddisfazione")
  2. In "Factor" metti la variabile categorica con tre+ categorie (es. "fascia_età")
  3. Clicca su Post Hoc (importante!) e seleziona Tukey
  4. OK

L'ANOVA ti dice "c'è una differenza significativa tra i tre gruppi?" Se il p-value è < 0.05, sì. Se è > 0.05, no.

Ma qui arriva il Tukey post-hoc: ti dice quali coppie di gruppi differiscono davvero. Se ANOVA è significativa, guardi la tabella Tukey e vedi "giovani vs adulti: differenza 2.1, p = 0.03" oppure "adulti vs maturi: no significativo, p = 0.22".

Nella tesi scrivi sia l'ANOVA ("F(2, 197) = 4.23, p = 0.016") sia i post-hoc Tukey ("la soddisfazione è significativamente più alta nei giovani rispetto agli adulti (p = 0.03)").

Chi quadro

Il chi quadro è per variabili categoriche — quando sia la variabile indipendente che la dipendente sono categorie, non numeri continui.

Esempio: il genere è associato al tipo di diploma (liceo, tecnico, professionale)?

Vai su Analyze → Descriptive Statistics → Crosstabs.

  1. In "Row(s)" metti una variabile categorica (es. "genere")
  2. In "Column(s)" metti l'altra variabile categorica (es. "diploma")
  3. Clicca su Statistics e spunta Chi-square
  4. OK

SPSS genera una tabella di contingenza (crosstab) e il chi quadro. L'output principale è:

Scrivere nella tesi: "Un chi quadro di indipendenza ha rivelato un'associazione significativa tra genere e tipo di diploma, χ²(2) = 6.45, p = 0.040".

Una cosa importante: il chi quadro funziona bene solo se le celle della tabella di contingenza hanno almeno 5 osservazioni. Se no, l'output lo avverte e il risultato potrebbe non essere affidabile.

Correlazione di Pearson

Quando hai due variabili continue e vuoi sapere se covarian insieme — se aumenta una, aumenta l'altra, oppure no.

Esempio: l'età è correlata con la soddisfazione?

Vai su Analyze → Correlate → Bivariate.

  1. Metti le due variabili continue (es. "età" e "soddisfazione")
  2. Assicurati che Pearson sia spuntato
  3. OK

SPSS genera una matrice di correlazione. Quello che conta:

Scrivere nella tesi: "Esiste una correlazione positiva statisticamente significativa tra età e soddisfazione, r = 0.34, p = 0.008".

Usa la correlazione di Pearson quando entrambe le variabili sono continue (scala di Likert 1-5 conta come continua se ha almeno 5 categorie). Se una variabile è ordinale (es. scala 1-3), usa Spearman invece di Pearson.

Regressione lineare semplice

Se vuoi predire una variabile continua (dipendente) a partire da un'altra (indipendente), usi la regressione lineare.

Esempio: la soddisfazione può essere predetta dall'età?

Vai su Analyze → Regression → Linear.

  1. In "Dependent" metti la variabile che vuoi predire (es. "soddisfazione")
  2. In "Independent(s)" metti la variabile predittrice (es. "età")
  3. OK

L'output è complesso. Quello che conta:

  1. Model Summary: vedrai R-squared. È il "quanto della variabilità della variabile dipendente è spiegato dall'indipendente?" Se R² = 0.12, significa che l'età spiega il 12% della variabilità della soddisfazione.
  2. Coefficients table: vedrai una riga con "age" (la tua variabile indipendente):
    • Unstandardized Coefficient (B): il coefficiente di regressione. Se è 0.15, significa "per ogni anno di età in più, la soddisfazione aumenta di 0.15 punti" (assumendo una scala da 1 a 10).
    • Sig.: il p-value. Se < 0.05, il coefficiente è statisticamente significativo — l'età davvero predice la soddisfazione.

Scrivere nella tesi: "La regressione lineare ha rivelato che l'età è un predittore significativo della soddisfazione (β = 0.15, t = 2.34, p = 0.021). Il modello spiega il 12% della varianza (R² = 0.12)".

Una cosa: assicurati che le assunzioni della regressione siano rispettate. Vai su Plots e genera i Residual Plots — il grafico dei residui deve essere distribuito casualmente attorno allo zero. Se c'è un pattern, le assunzioni potrebbero essere violate. Ma per una tesi triennale, se è visivamente okay, è accettabile.

Come scrivere i risultati secondo APA

I risultati della tesi non si mettono come "il test t ha dato t = 2.45, p = 0.015". Si scrivono secondo lo stile APA, che è lo standard riconosciuto.

Formato APA per un test t:

t(df) = valore, p = valore

Esempio: t(198) = 2.45, p = 0.015

Se il p-value è minore di 0.001, scrivi p < 0.001 anziché il numero esatto.

Per ANOVA:

F(df1, df2) = valore, p = valore

Esempio: F(2, 197) = 4.23, p = 0.016

Per chi quadro:

χ²(df) = valore, p = valore

Esempio: χ²(2) = 6.45, p = 0.040

Per correlazione:

r = valore, p = valore

Esempio: r = 0.34, p = 0.008

Per regressione lineare:

β = valore, t = valore, p = valore; R² = valore

Esempio: β = 0.15, t = 2.34, p = 0.021; R² = 0.12

Una cosa che distingue una tesi seria da una improvvisata: l'uso rigoroso della notazione APA. Quando il relatore vede "χ²(2) = 6.45, p = 0.040", vede che hai studiato come si comunica la ricerca. Quando invece vede "il test ha dato risultato significativo", vede che non sai il formato corretto.

In SPSS, i p-value escono come "0.015" oppure "0.008". Copiali così. Se vedi "0.000", significa p < 0.001 — scrivi p < 0.001, non p = 0.000.

💡 Analisi dati senza tempo per imparare un software

Sai come va: hai il dataset, sai quale test serve in teoria, ma SPSS ha cento menu e non sai quale cliccare. Oppure clicchi il test, vedrai l'output (una tabella di numeri) e non capisci se è quello che cercavi o se hai sbagliato qualcosa.

Non devi diventare uno statistico per usare SPSS. Devi solo sapere: apri il menu giusto, scegli il test giusto, leggi la riga giusta dell'output, scrivi il numero nella tesi nel formato APA.

Disegniamo il flusso insieme: quali dati hai, quale test serve per rispondere alla tua domanda di ricerca, come caricarlo in SPSS, come lanciarlo, quale output leggere. In due o tre sessioni di un'ora sai farlo da solo. Non te lo facciamo noi — ti mostriamo i passi.

Scrivici su WhatsApp — consulenza gratuita 15 min, zero obblighi.

Una cosa che vediamo di frequente: gli studenti lanciano il test sbagliato. Scelgono un test t quando avrebbero dovuto usare l'ANOVA. O fanno una regressione quando basterebbe una correlazione. Il motivo è semplice — non hanno imparato a riconoscere dal problema quale test serve.

Una regola pratica:

Quella non è una regola scritta nella pietra, ma è la differenza tra "ho lanciato un test" e "ho scelto il test giusto per la mia domanda".

Secondo errore: non controllare gli assunti. Il test t assume che i dati siano normali e che le varianze siano uguali. La regressione assume linearità e omoschedasticità. Se non controlli, il risultato potrebbe non essere affidabile. Questo non significa ricalcolare tutto — significa citare nella metodologia "è stato verificato che le assunzioni del test erano rispettate" (se è vero) oppure "i dati non erano completamente normali, ma il t-test è robusto a violazioni moderate" (se sei consapevole della limitazione).

Terzo errore: confondere significatività statistica con effetto pratico. Un p-value < 0.05 non significa che il risultato è importante nella realtà. Se hai 1.000 rispondenti, differenze minuscole diventano significative. Quando scrivi nei risultati, non solo cita il p-value — cita anche l'effect size (es. la differenza media, oppure r per la correlazione, oppure R² per la regressione). Così il lettore capisce "è significativo E è anche un effetto che conta".

Se la tesi richiede test più avanzati di questi (regressione multipla, ANCOVA, modelli misti, analisi fattoriale), le basi che hai qui si estendono — la logica è la stessa, cambiano solo i menu e l'output da leggere. Se sei a quel punto, serve una guida specializzata per il tuo tipo di analisi, oppure supporto diretto mentre la fai.

Se dopo questa guida decidi che preferisci R per l'analisi dati — magari perché vuoi grafici più personalizzati o perché il tuo relatore lo richiede — abbiamo una guida completa su R che parte dalle basi fino ai risultati finali.

Una cosa che vogliamo sia chiara: usare SPSS non è difficile. Il difficile è sapere cosa fare con i risultati che SPSS ti da, come interpretarli, e come comunicarli nella tesi secondo lo standard scientifico. Quello è quello che conta. Se hai i dati e SPSS sembra un muro di menu, scrivici — te lo facciamo insieme.

🎓 Serve guida operativa, non uno per uno manuale

Online trovi tutorial SPSS senza fine — la maggior parte generica e lontana da quello che ti serve davvero per la tesi.

Quello che serve è qualcuno che ti dica: "Guardami mentre carico il file, vedi dove vanno i dati? Ora clicchiamo Analyze, vedi il menu? Questo è il test che serve per il tuo problema. L'output esce qui — leggiamo insieme quella riga." Operativo. Con i tuoi dati. Con il relatore che sa cosa vuole.

Richiedi un preventivo · Consulenza gratuita 15 min