La variabilità non è rumore: è il cuore della statistica

Immagina di misurare la temperatura corporea di una persona sana dieci volte nel corso di una giornata. Non otterrai mai dieci volte 36.6. Otterrai 36.4, 36.7, 36.9, 36.5: una serie di valori che oscillano attorno a un centro, senza mai coincidere perfettamente. Questa oscillazione non è un errore di misurazione. Non è colpa dello strumento. Non è qualcosa da correggere. È la firma biologica di un organismo vivo che risponde in modo continuo all’ambiente, allo stress, all’attività, al momento della giornata.

La variabilità è ovunque nei dati biologici. La pressione arteriosa cambia di minuto in minuto. Il peso corporeo varia nel corso della giornata. La concentrazione di un farmaco nel sangue sale e scende seguendo curve precise. La glicemia risponde ai pasti, all’esercizio, al sonno. Se misurassimo questi fenomeni e ottenessimo sempre lo stesso numero, dovremmo preoccuparci — non rallegrarci. Significherebbe che il nostro strumento non sta misurando la realtà: sta registrando un’approssimazione di essa, probabilmente arrotondata, probabilmente distorta.

La statistica nasce precisamente per dare senso a questa oscillazione. Non per eliminarla, ma per capirla, quantificarla, usarla. La variabilità non è il nemico dell’analisi statistica: è il suo oggetto di studio. Comprenderla è il primo passo per fare inferenza corretta, costruire modelli affidabili, trarre conclusioni che reggano il confronto con la realtà.

Da dove viene la variabilità

Quando osserviamo variabilità nei dati, è necessario chiedersi da dove viene. Spiegarsi infatti quali sono le fonti della variabilità è un requisito imprescindibile per capire i dati. Le origini della variabilità dei dati possono essere diverse e ciascuna di esse richiedere un approccio diverso.

La prima fonte è la variabilità biologica vera, quella intrinseca al fenomeno che stiamo misurando. La pressione arteriosa di una persona sana non è un numero fisso: è una distribuzione di valori che dipende dall’ora del giorno, dallo stato emotivo, dall’attività fisica, dalla posizione del corpo, da decine di fattori fisiologici che cambiano continuamente. Questa variabilità non è eliminabile perché è reale: è parte di ciò che vogliamo studiare. Anzi, spesso è la cosa più interessante: capire perché la pressione di una persona varia così tanto nel corso della giornata può essere più informativo che sapere qual è il suo valore medio.

La seconda fonte è la variabilità da misurazione. Ogni strumento introduce un errore. Un misuratore di pressione digitale non legge il valore vero, ma legge una stima del valore vero, con una precisione che dipende dalla qualità dello strumento, dalla sua calibrazione, dal modo in cui viene usato, dalla persona che lo usa. Due dispositivi di misurazione diversi utilizzati sulla stessa persona nello stesso momento possono dare valori leggermente diversi. Un osservatore meno esperto può leggere il risultato in modo diverso da uno più esperto. Questa variabilità da misurazione è in parte eliminabile attraverso la standardizzazione delle procedure, la calibrazione degli strumenti, la formazione degli operatori,  ma non è mai completamente azzerabile.

La terza fonte è la variabilità tra soggetti. In un campione di cento pazienti, non tutti risponderanno allo stesso modo allo stesso trattamento. Alcuni miglioreranno molto, altri poco, altri per nulla, alcuni peggioreranno. Questa variabilità interindividuale è spesso la cosa più interessante da studiare perché ci dice che il fenomeno biologico non è uniforme, e che cercare una risposta media significa perdere informazioni preziose su chi risponde e chi no, su quali caratteristiche predicono la risposta, su come personalizzare il trattamento.

Infine, c’è la variabilità intraindividuale, ossia quella che si osserva nella stessa persona nel corso del tempo. Una persona misurata oggi ha valori diversi da quelli che aveva sei mesi fa, non necessariamente per una ragione patologica, ma perché il corpo cambia. Questa variabilità è particolarmente rilevante negli studi longitudinali, dove si segue la stessa persona nel tempo e si vuole capire se i cambiamenti osservati sono reali o semplicemente fluttuazioni naturali.

Distinguere queste fonti di variabilità non è un esercizio accademico. È il prerequisito per fare domande di ricerca sensate. Se non so da dove viene la variabilità che osservo, non posso sapere cosa sta misurando il mio studio e rischio di trarre conclusioni sbagliate da dati corretti.

Come si misura la variabilità: gli strumenti di base

Dire che i dati variano non basta. Bisogna quantificare quanto variano e in che modo. La statistica offre diversi strumenti per farlo, ciascuno con caratteristiche diverse e adatto a situazioni diverse.

Lo strumento più immediato è il range — la differenza tra il valore massimo e il valore minimo. Se la pressione sistolica di un gruppo di pazienti va da 95 a 180 mmHg, il range è 85 mmHg. È una misura semplice e intuitiva, ma ha un difetto importante: è completamente determinata dai valori estremi, che possono essere casi eccezionali non rappresentativi del resto del campione. Un singolo paziente con un valore anomalo può far sembrare la distribuzione molto più dispersa di quanto sia in realtà.

Per questo si usa spesso l’intervallo interquartile — la differenza tra il 75° e il 25° percentile. In pratica, descrive dove si trovano il 50% centrale dei dati, escludendo i valori estremi. È una misura molto più robusta del range, particolarmente utile quando la distribuzione è asimmetrica o contiene valori anomali. Se il primo quartile è 115 mmHg e il terzo è 145 mmHg, l’intervallo interquartile è 30 mmHg. Questo valore ci dice che la metà centrale dei pazienti ha una pressione sistolica che varia di 30 mmHg, indipendentemente da quello che succede agli estremi.

La misura più usata nella statistica classica è però la deviazione standard. Essa quantifica, in media, di quanto i valori si discostano dalla media del gruppo. Una deviazione standard piccola dice che i dati sono concentrati vicino al centro. Una deviazione standard grande dice che si distribuiscono su un intervallo ampio. Immagina due gruppi di pazienti con la stessa pressione arteriosa media: 130 mmHg. Nel primo gruppo i valori vanno da 125 a 135. Nel secondo da 100 a 160. La media è identica. La deviazione standard è radicalmente diversa. E quella differenza cambia tutto: il secondo gruppo è molto più eterogeneo, il range di variazione è clinicamente molto più ampio, e trattarlo come se fosse omogeneo sarebbe un errore con conseguenze pratiche.

La varianza è il quadrato della deviazione standard. Come numero è meno intuitiva della deviazione standard in quanto è espressa nelle unità di misura al quadrato, il che non ha un’interpretazione immediata. Tuttavia, la varianza è matematicamente più trattabile. Molte delle formule fondamentali della statistica si basano sulla varianza piuttosto che sulla deviazione standard, perché la varianza ha proprietà algebriche molto più comode. Per questo nella pratica si usa la deviazione standard per comunicare e interpretare, la varianza per calcolare.

Un’altra misura utile, spesso trascurata, è il coefficiente di variazione, ossia il rapporto tra la deviazione standard e la media, espresso in percentuale. Il suo vantaggio è che è adimensionale: permette di confrontare la variabilità di fenomeni misurati su scale completamente diverse. La variabilità della pressione arteriosa e la variabilità della concentrazione plasmatica di un farmaco non si possono confrontare direttamente in termini assoluti, ma si possono confrontare in termini relativi usando il coefficiente di variazione.

La forma della variabilità: oltre i numeri

Quantificare la variabilità con un singolo numero — la deviazione standard, l’intervallo interquartile — è utile ma incompleto. I dati non variano solo in misura: variano anche in forma. E laforma della distribuzioneè spesso tanto importante quanto la sua ampiezza.

Una distribuzione simmetrica è quella in cui i valori si disperdono in modo uguale attorno alla media, con tanti valori alti quanti ne sono bassi. Ladistribuzione normale— la celebre curva a campana — è l’esempio più noto. Molti fenomeni biologici seguono approssimativamente questa forma: l’altezza, il peso, molti parametri ematologici in una popolazione sana. Quando i dati sono distribuiti normalmente, la media e la deviazione standard descrivono quasi completamente la distribuzione: sapendo che la media è 130 mmHg e la deviazione standard è 15 mmHg, so già che circa il 68% dei valori cade tra 115 e 145, il 95% tra 100 e 160, il 99.7% tra 85 e 175.

Ma molti fenomeni biologici non seguono affatto una distribuzione normale. I tempi di sopravvivenza sono tipicamente asimmetrici verso destra: ci sono molti pazienti con sopravvivenze brevi e pochi con sopravvivenze molto lunghe. Le concentrazioni di molti biomarcatori hanno la stessa forma. I dati di conteggio — numero di eventi avversi, numero di ricoveri — seguono distribuzioni completamente diverse. In questi casi, usare la media e la deviazione standard come unica descrizione della variabilità può essere fuorviante: la media potrebbe non essere un valore che si osserva spesso nella realtà, e la deviazione standard potrebbe descrivere male la dispersione effettiva dei dati.

Per questo, prima di qualsiasi analisi, vale la pena guardare i dati — letteralmente, con ungrafico. Un istogramma, un boxplot, un dot plot mostrano immediatamente la forma della distribuzione, la presenza di valori anomali, l’asimmetria, la presenza di più di un picco. Queste informazioni non sono sostituibili da nessun numero riassuntivo, per quanto sofisticato.

Variabilità e inferenza statistica

La variabilità non è solo una caratteristica descrittiva dei dati. È il fondamento dell’inferenza statistica — il processo con cui passiamo dall’osservazione di un campione a conclusioni sulla popolazione da cui proviene.

Quando confrontiamo due gruppi — per esempio pazienti trattati e controlli — la domanda centrale è: la differenza che osserviamo tra le medie dei due gruppi è reale, o potrebbe essere dovuta al caso? La risposta dipende criticamente dalla variabilità dei dati. Una differenza di 5 mmHg nella pressione arteriosa media tra due gruppi è molto più convincente se la deviazione standard all’interno di ciascun gruppo è 3 mmHg che se è 20 mmHg. Nel primo caso, i due gruppi sono chiaramente separati. Nel secondo, la differenza si perde nel rumore della variabilità individuale.

Questa intuizione è formalizzata neitest statistici, che tipicamente calcolano un rapporto tra la differenza osservata e una misura della variabilità dei dati — l’errore standard, che è la deviazione standard divisa per la radice quadrata della numerosità campionaria. Più grande è la variabilità, più difficile è rilevare differenze reali. Più grande è il campione, più precisa è la stima e più facile è distinguere il segnale dal rumore.

Questo spiega perché il calcolo della dimensione del campione — quanti soggetti servono in uno studio — dipende direttamente da quanto variabili sono i dati. Se voglio rilevare una differenza di 10 mmHg nella pressione arteriosa con un certo grado di confidenza, ho bisogno di molti più soggetti se la pressione varia molto nella popolazione che se varia poco. Sottostimare la variabilità attesa dei dati è uno degli errori più comuni nella pianificazione degli studi clinici — e porta a studi con troppo pochi soggetti per rispondere alla domanda che si sono posti.

La variabilità non è solo qualcosa che i dati hanno. È qualcosa che l’analisi deve rispettare. Ignorarla, o sottostimarla, non produce risultati più puliti — produce risultati sbagliati che sembrano puliti.

Quando la variabilità è il segnale, non il rumore

C’è un cambio di prospettiva importante che la statistica moderna ha compiuto negli ultimi decenni: smettere di trattare la variabilità come qualcosa da ridurre e iniziare a studiarla come oggetto di interesse in sé.

In oncologia, per esempio, la variabilità nella risposta al trattamento non è un fastidio statistico — è la domanda clinica centrale. Perché alcuni pazienti con lo stesso tipo di tumore rispondono bene a un farmaco e altri no? Cosa predice la risposta? Quali caratteristiche biologiche, genetiche, ambientali spiegano questa variabilità? Rispondere a queste domande è il cuore della medicina di precisione — e richiede strumenti statistici specificamente progettati per studiare l’eterogeneità della risposta, non per mediarne gli effetti.

Anche nella ricerca sui sistemi complessi — dal microbioma intestinale alla risposta immunitaria — la variabilità tra individui è enormemente più grande di quella che si osserva in sistemi fisici o chimici. Due persone sane possono avere composizioni del microbioma radicalmente diverse pur essendo entrambe in perfetta salute. Questa variabilità biologica estrema pone sfide metodologiche precise: i campioni devono essere molto più grandi, i modelli statistici devono essere più flessibili, le conclusioni devono essere più caute.

Infine, c’è la variabilità temporale — come cambiano i parametri biologici nel tempo, in risposta a trattamenti, a interventi, all’invecchiamento. Gli studi longitudinali che seguono le stesse persone per anni o decenni permettono di distinguere la variabilità normale dall’evoluzione patologica — ma solo se sono stati progettati tenendo conto delle fonti di variabilità attese e con strumenti statistici adeguati a gestirle.

I dati che variano non sono dati sporchi, sono dati onesti.La variabilità non è il segnale che qualcosa è andato storto nella raccolta: è la traccia del mondo reale nei numeri. Imparare a leggerla — da dove viene, quanto è grande, che forma ha, come si propaga nell’inferenza — è il modo in cui la statistica smette di essere un insieme di formule e diventa uno strumento per capire la realtà biologica. E in biostatistica, questa distinzione è tutto.