Quando strutturiamo un esperimento, raramente misuriamo una variabile sola. Se mettiamo alla prova un nuovo metodo di studio, vogliamo sapere come impatta sia sulla logica matematica che sulla comprensione verbale. Se testiamo una dieta, guardiamo le variazioni di peso insieme a quelle del colesterolo.
Analizzare queste variabili una alla volta (usando la classica ANOVA) ci fa perdere una fetta importante della storia: la loro correlazione. Le variabili si muovono insieme, e trattarle come se fossero indipendenti riduce la potenza della nostra analisi.
La soluzione si chiama MANOVA (Multivariate Analysis of Variance). Vediamo come applicarla concretamente con due casi di studio pratici, passando dalla matematica sottostante all’implementazione in Python.
Pubblicità
Cos’è la MANOVA e perché usarla
L’Analisi della Varianza Multivariata (MANOVA) è il passaggio logico successivo quando un esperimento diventa più complesso. Se l’ANOVA tradizionale ci aiuta a capire se diversi gruppi differiscono su una singola metrica (ad esempio, la perdita di peso), la MANOVA fa la stessa cosa su più metriche analizzate contemporaneamente (ad esempio, peso, colesterolo e pressione sanguigna).
In pratica, invece di confrontare singole medie, la MANOVA confronta vettori di medie.
Il suo vero vantaggio non è il semplice risparmio di tempo rispetto all’esecuzione di tanti test separati, ma la capacità di leggere la struttura di covarianza dei dati. Nel mondo reale, le variabili sono spesso intrecciate. Un alunno che migliora in logica potrebbe migliorare anche nella lettura; un farmaco che abbassa la pressione potrebbe alterare i battiti cardiaci. La MANOVA tiene conto di queste relazioni interne e valuta le variabili come un unico sistema interconnesso. Questo le permette di individuare differenze tra gruppi che test singoli e isolati non riuscirebbero a cogliere.
MANOVA vs. Altri Modelli
Ecco come si posiziona rispetto all’approccio statistico tradizionale:
Caratteristica
ANOVA
MANOVA
Variabili Dipendenti (Output)
Esattamente una
Due o più
Cosa confronta
Medie di una singola variabile
Vettori di medie (più variabili congiunte)
Correlazione tra output
La ignora (o richiede test separati)
La utilizza attivamente per aumentare la potenza del test
Controllo degli errori
Il rischio di falsi positivi aumenta se esegui più test in sequenza
Mantiene l’errore globale sotto controllo (un solo test per l’intero blocco)
Quando usarla? Scegli la MANOVA ogni volta che i tuoi output (le variabili dipendenti) hanno un legame logico o teorico tra loro e vuoi capire l’impatto globale di una variabile indipendente (come una dieta, un metodo di studio o una campagna di marketing) sull’intero sistema.
Ecco un classico esempio pratico tratto dalla psicologia del lavoro e dell’organizzazione, dove l’effetto emerge chiaramente.
Lo scenario: Produttività e Stress lavorativo
Un’azienda IT testa un nuovo programma di supporto organizzativo per i propri sviluppatori. L’obiettivo è capire se il programma migliora le prestazioni e il benessere del personale.
Si analizzano due gruppi di dipendenti:
Gruppo A (Controllo): Lavora con il metodo abituale.
Gruppo B (Trattamento): Applica il nuovo programma organizzativo.
Al termine della sperimentazione si rilevano due variabili su ciascun dipendente:
Produttività ([math]Y_1[/math]): Punteggio da 0 a 100 basato su funzionalità completate.
Stress ([math]Y_2[/math]): Punteggio da 0 a 100 basato su un questionario clinico sull’ansia.
Il legame naturale tra le variabili
In questa azienda, in condizioni normali, produttività e stress sono fortemente correlati in modo positivo ([math]r \approx +0.85[/math]): chi produce di più tende ad accumulare più stress; chi lavora con ritmi blandi registra livelli di stress più bassi.
I Risultati dell’Esperimento
Raccogliendo i dati, otteniamo i seguenti valori medi per i due gruppi:
Gruppo
Media Produttività ([math]Y_1[/math])
Media Stress ([math]Y_2[/math])
Gruppo A (Controllo)
[math]50.0[/math]
[math]50.0[/math]
Gruppo B (Trattamento)
[math]54.0[/math]
[math]46.0[/math]
Ipotizziamo una naturale variabilità individuale con deviazione standard [math]\sigma = 12[/math] per entrambe le variabili.
1. Esito delle due ANOVA separate (Univariate)
ANOVA su Produttività ([math]Y_1[/math]): Confronta [math]50.0[/math] contro [math]54.0[/math]. Data la dispersione dei dati ([math]\sigma = 12[/math]), una differenza di soli 4 punti non è sufficiente a superare la soglia di significatività ([math]p \approx 0.25[/math]). Conclusione: Nessun effetto significativo sulla produttività.
ANOVA su Stress ([math]Y_2[/math]): Confronta [math]50.0[/math] contro [math]46.0[/math]. Anche qui, la riduzione di 4 punti rientra nel margine di oscillazione casuale dei dati ([math]p \approx 0.25[/math]). Conclusione: Nessun effetto significativo sullo stress.
Decisione (errata) del management:
“Il programma è inefficace: non ha aumentato la produttività e non ha ridotto lo stress.”
2. Esito della MANOVA (Multivariata)
Valutando Produttività e Stress congiuntamente, la MANOVA (tramite il Wilks’ Lambda) restituisce un [math]p\text{-value} < 0.001[/math] (altamente significativo!).
Perché succede? (L’effetto “Ombra” in [math]2\text{D}[/math])
Il motivo per cui i due test univariati falliscono mentre la MANOVA ha successo risiede nella struttura di correlazione:
L’illusione delle proiezioni (ANOVA):
L’ANOVA proietta tutti i punti su un solo asse per volta. Guardando solo l’asse della Produttività o solo quello dello Stress, le distribuzioni del Gruppo A e del Gruppo B si sovrappongono per oltre l’80%. Schiacciando il grafico in una sola dimensione, i due gruppi sembrano identici.
La visione d’insieme (MANOVA):
Se posizioniamo i dati su un piano cartesiano [math]2\text{D}[/math] (con la Produttività sull’asse [math]X[/math] e lo Stress sull’asse [math]Y[/math]):
– Nel Gruppo A, seguendo la normale correlazione positiva, un dipendente con produttività [math]54[/math] ha quasi sempre uno stress proporzionale (attorno a [math]54[/math]).
– Nel Gruppo B, i dipendenti registrano una produttività di [math]54[/math] abbinata a uno stress di soli [math]46[/math].
Sullo spazio bidimensionale, i due gruppi formano due “nuvole” di punti distinte e ben separate.
La MANOVA dimostra che il programma non ha semplicemente cambiato i valori di una singola variabile, ma ha spezzato il legame negativo tra produttività e ansia, consentendo al Gruppo B di mantenere elevate prestazioni con un livello di stress significativamente inferiore rispetto allo standard aziendale.
Le quattro ipotesi della MANOVA
Prima di fidarsi ciecamente dei risultati di una MANOVA, i dati devono rispettare quattro assunti fondamentali:
Indipendenza delle osservazioni: I dati di un soggetto non devono influenzare quelli di un altro. È il requisito più importante legato al design dell’esperimento.
Normalità multivariata: Non basta che ogni variabile sia distribuita normalmente presa da sola; le variabili devono essere normali in senso congiunto.
Omogeneità delle matrici di covarianza: La struttura di correlazione e varianza deve essere simile tra i vari gruppi (verificabile tramite il test di [math]Box’s M[/math]).
Assenza di multicollinearità estrema: Se due variabili dipendenti sono perfettamente correlate, o quasi, apportano informazioni ridondanti e rischiano di rendere le matrici non invertibili (compromettendo i calcoli).
Riassunto
La MANOVA si basa su quattro assunzioni fondamentali: l’indipendenza delle osservazioni (disegno sperimentale), la normalità multivariata (distribuzione congiunta delle variabili), l’omogeneità delle matrici di covarianza tra i gruppi (verificata con il test di Box’s M) e l’assenza di multicollinearità estrema, che potrebbe rendere le matrici non invertibili. Questi requisiti sono essenziali per garantire la validità dei risultati della MANOVA.
Caso Studio 1: Due gruppi, due variabili dipendenti
Il problema pratico
Un istituto di ricerca vuole confrontare l’efficacia di due metodi di insegnamento (Metodo A e Metodo B). Vengono selezionati 20 studenti (10 per metodo) e al termine del corso si rilevano due punteggi da 0 a 100: abilità matematica (Math) e comprensione del testo (Reading).
Vogliamo verificare, con un livello di significatività [math]\alpha = 0.05[/math], se i due metodi producono risultati medi significativamente diversi analizzando i due punteggi congiuntamente.
1. Ipotesi statistica
Siano [math]\mu_A[/math] e [math]\mu_B[/math] i vettori delle medie delle due variabili per i due gruppi.
[math]H_0: \mu_A = \mu_B[/math]
[math]H_1: \mu_A \neq \mu_B[/math]
2. Scomposizione della Varianza
Nella MANOVA l’informazione viene scomposta in matrici. Definiamo la matrice totale [math]T[/math], la matrice tra i gruppi (Between) [math]B[/math] e quella entro i gruppi (Within) [math]W[/math]. La relazione è [math]T = B + W[/math].
Calcoliamo [math]W[/math] come somma delle matrici di covarianza campionarie moltiplicate per [math]n_i – 1[/math]:
[math]\displaystyle W = \sum_{i=1}^{2} (n_i – 1) S_i[/math]
Le medie campionarie risultano [math]\bar{x}_A = (79.7, 83.0)[/math] e [math]\bar{x}_B = (66.7, 70.8)[/math].
Il test più comune per la MANOVA valuta il rapporto tra la varianza interna ai gruppi e quella totale calcolando i determinanti delle matrici:
[math]\Lambda = \frac{\det(W)}{\det(T)}[/math]
Calcolando i determinanti, arriviamo a [math]\Lambda \approx 0.306[/math].
Nel caso specifico con due gruppi e due variabili dipendenti, possiamo utilizzare una trasformazione semplificata per ottenere il valore F (nei casi generali si ricorre alle approssimazioni F di Rao o di Pillai).
Con [math]p = 2[/math] variabili, [math]k = 2[/math] gruppi e [math]N = 20[/math] osservazioni totali:
[math]\displaystyle F = \frac{1 – \Lambda}{\Lambda} \cdot \frac{N – p – 1}{p} \approx 19.22[/math]
Implementazione Python
import numpy as np
import pandas as pd
from scipy import stats
import matplotlib.pyplot as plt
from matplotlib.patches import Ellipse
# Dati
data = pd.DataFrame({
'Gruppo': ['A']*10 + ['B']*10,
'Math': [78,85,72,90,68,80,76,88,83,77,
65,70,59,74,63,68,72,61,69,66],
'Reading': [82,88,79,85,74,84,80,91,86,81,
70,72,65,78,68,71,76,66,73,69]
})
def manova_matrices(data, group_col, dep_vars):
groups = data[group_col].unique()
W = np.zeros((len(dep_vars), len(dep_vars)))
B = np.zeros((len(dep_vars), len(dep_vars)))
grand_mean = data[dep_vars].mean().values
for g in groups:
subset = data[data[group_col]==g][dep_vars]
n_g = len(subset)
mean_g = subset.mean().values
# Matrice Within
centered = subset.values - mean_g
W += centered.T @ centered
# Matrice Between
diff = (mean_g - grand_mean).reshape(-1,1)
B += n_g * (diff @ diff.T)
T = W + B
return W, B, T
W, B, T = manova_matrices(data, 'Gruppo', ['Math','Reading'])
# Calcolo Lambda di Wilks e Test F
Lambda = np.linalg.det(W) / np.linalg.det(T)
N, p, k = len(data), 2, 2
df1, df2 = p, N - p - 1
F = (1 - Lambda) / Lambda * df2 / df1
p_value = 1 - stats.f.cdf(F, df1, df2)
print(f"Wilks' Lambda = {Lambda:.4f}")
print(f"F = {F:.4f}, p-value = {p_value:.4f}")
# ... [codice precedente di calcolo W, B, T] ...
W, B, T = manova_matrices(data, 'Gruppo', ['Math','Reading'])
print("Within matrix (W):")
print(W)
print("\nBetween matrix (B):")
print(B)
print("\nTotal matrix (T):")
print(T)
Wilks' Lambda = 0.3066
F = 19.2265, p-value = 0.0000
Within matrix (W):
[[642.2 452.4]
[452.4 367.6]]
Between matrix (B):
[[845. 793. ]
[793. 744.2]]
Total matrix (T):
[[1487.2 1245.4]
[1245.4 1111.8]]
Perché non due ANOVA separate?
La MANOVA tiene conto della correlazione tra Matematica e Comprensione. Se eseguiamo due ANOVA, aumentiamo il rischio di “falsi positivi” (errore di tipo I) e rischiamo di perdere gli effetti strutturali che emergono solo quando le variabili si muovono insieme.
Caso Studio 2: Tre gruppi e verifica delle assunzioni
Il problema pratico
Un nutrizionista analizza l’effetto di 3 diete su 20 soggetti (assegnati in gruppi da 7, 7 e 6). Le variabili rilevate sono la variazione di peso in kg ([math]\Delta[/math]Peso) e la variazione di colesterolo LDL ([math]\Delta[/math]Colesterolo).
Prima di calcolare la MANOVA per vedere se le diete hanno impatti diversi, dobbiamo verificare che i dati rispettino i requisiti statistici fondamentali.
Dieta
Soggetti
Esempio Misurazioni
1
7
Cali marcati di peso e colesterolo
2
7
Lievi aumenti (stabilità)
3
6
Leggeri cali di peso e colesterolo
Verifica delle assunzioni: Test di Box’s M
La MANOVA assume la normalità multivariata e l’omogeneità delle matrici di covarianza tra i gruppi. Verifichiamo quest’ultima con il test di Box. L’ipotesi nulla è che le matrici siano uguali ([math]\Sigma_1 = \Sigma_2 = \Sigma_3[/math]).
Applicando l’algoritmo al nostro campione, otteniamo un test statistico [math]M \approx 10.46[/math] con un p-value [math]\approx 0.19[/math]. Non rifiutiamo l’ipotesi nulla: le covarianze sono sufficientemente omogenee per procedere.
Implementazione con statsmodels
Questa volta usiamo la libreria statsmodels per snellire il codice e ottenere un report completo:
import pandas as pd
from statsmodels.multivariate.manova import MANOVA
import numpy as np
# Dati campione (abbreviati per leggibilità)
df = pd.DataFrame({
'Dieta': [1]*7 + [2]*7 + [3]*6,
'DeltaPeso': [-2.1,-1.5,-3.0,-2.5,-1.8,-2.2,-1.9,
0.5,0.2,0.8,-0.1,0.3,0.6,0.4,
-0.8,-0.5,-1.0,-0.6,-0.9,-0.7],
'DeltaColesterolo': [-15,-10,-20,-18,-12,-16,-14,
5,3,8,2,4,6,5,
-4,-2,-5,-3,-4,-3]
})
# Esecuzione MANOVA
maov = MANOVA.from_formula('DeltaPeso + DeltaColesterolo ~ Dieta', data=df)
print(maov.mv_test())
Multivariate linear model
============================================================
------------------------------------------------------------
Intercept Value Num DF Den DF F Value Pr > F
------------------------------------------------------------
Wilks' lambda 0.4861 2.0000 17.0000 8.9853 0.0022
Pillai's trace 0.5139 2.0000 17.0000 8.9853 0.0022
Hotelling-Lawley trace 1.0571 2.0000 17.0000 8.9853 0.0022
Roy's greatest root 1.0571 2.0000 17.0000 8.9853 0.0022
------------------------------------------------------------
------------------------------------------------------------
Dieta Value Num DF Den DF F Value Pr > F
------------------------------------------------------------
Wilks' lambda 0.4998 2.0000 17.0000 8.5064 0.0028
Pillai's trace 0.5002 2.0000 17.0000 8.5064 0.0028
Hotelling-Lawley trace 1.0007 2.0000 17.0000 8.5064 0.0028
Roy's greatest root 1.0007 2.0000 17.0000 8.5064 0.0028
============================================================
L’output ci restituisce diverse metriche (Wilks’ lambda, Pillai’s trace, ecc.). Il p-value associato al Wilks’ Lambda è [math]\approx 0.0028[/math]. Esiste una differenza altamente significativa tra l’effetto delle diete. A livello esplorativo, la Dieta 1 produce riduzioni congiunte di peso e colesterolo molto più marcate rispetto alle altre due.
La Dimensione dell’Effetto (Effect Size)
L’output della MANOVA restituisce un p-value = [math]0.0028[/math], indicando che esiste una differenza statisticamente significativa tra le diete considerando simultaneamente la variazione di peso e quella del colesterolo.
Tuttavia, la significatività statistica risponde soltanto alla domanda:
“È improbabile che la differenza osservata sia dovuta al caso?”
Non dice quanto sia grande o rilevante l’effetto nella pratica. Per questo motivo, nelle analisi applicate è importante valutare anche la dimensione dell’effetto (effect size).
Nel contesto MANOVA, una misura descrittiva frequentemente utilizzata è la quantità:
[math]1 – \Lambda[/math]
dove [math]\Lambda[/math] rappresenta la Lambda di Wilks.
Nel nostro caso:
[math]\Lambda = 0.4998[/math]
quindi:
[math]1 – \Lambda = 1 – 0.4998 = 0.5002[/math]
Questo valore indica una forte separazione multivariata tra i gruppi: circa il [math]50\%[/math] della capacità discriminante complessiva tra le distribuzioni è associata al fattore “Dieta”.
È importante precisare che [math]1 – \Lambda[/math] non coincide esattamente con l’Eta quadro parziale ([math]\eta_p^2[/math]), anche se viene talvolta utilizzato come indicatore sintetico dell’intensità dell’effetto multivariato. Per una stima formale dell’effect size MANOVA sono disponibili trasformazioni specifiche delle statistiche multivariate oppure analisi successive sulle singole variabili dipendenti.
Nel nostro esempio, il risultato combinato di p-value molto basso e forte separazione multivariata suggerisce che l’effetto delle diete non è soltanto statisticamente rilevabile, ma anche potenzialmente rilevante dal punto di vista applicativo: le differenze osservate riguardano la combinazione complessiva di perdita di peso e variazione del colesterolo, non una singola misura isolata.
Cosa fare se il test di Box fallisce (p-value < 0.05)?
Se le varianze sono troppo dissimili, il Wilks’ Lambda può restituire falsi positivi. In questi casi è consigliabile:
Affidarsi alla Traccia di Pillai (Pillai’s trace), nota per essere molto più robusta alle violazioni di omogeneità.
Trasformare i dati (es. logaritmo).
Passare a tecniche non parametriche o test basati su permutazioni.
Applicabilità
Esercizio 1
Mostra la superiorità della MANOVA rispetto all’ANOVA in contesti educativi o psicologici. Matematica e Comprensione del testo non sono compartimenti stagni: un alunno che fatica a leggere un problema farà fatica anche a risolverlo numericamente. Se usassimo due ANOVA, ignoreremmo questa correlazione (la covarianza) rischiando di non vedere una differenza tra i metodi di insegnamento che invece emerge chiaramente quando i dati vengono trattati come coordinate di un unico punto in uno spazio bidimensionale.
Esercizio 2
Introduce la “vita vera” dell’analista dati: i test sulle assunzioni preliminari. In ambito clinico (diete, farmaci), i campioni sono spesso piccoli e instabili. Verificare l’omogeneità delle covarianze con il test di [math]Box’s M[/math] (qui implementato a mano, una vera chicca per i lettori tecnici) non è un vezzo statistico, ma il confine tra un’analisi valida e una che porta a conclusioni mediche errate. Questo esercizio dimostra che prima di guardare i p-value finali, bisogna assicurarsi che le fondamenta dei dati siano solide.
Pubblicità
Quando la MANOVA non è la scelta migliore
La presenza di più variabili dipendenti non significa automaticamente che la MANOVA sia il modello corretto da utilizzare.
La MANOVA è potente quando le variabili analizzate rappresentano dimensioni diverse dello stesso fenomeno e quando la loro struttura di correlazione contiene informazione utile. In altri contesti, però, può introdurre complessità senza fornire un reale vantaggio interpretativo.
È preferibile valutare alternative quando:
Le variabili dipendenti non hanno un legame teorico
Se analizziamo contemporaneamente misure che appartengono a fenomeni completamente diversi, la combinazione multivariata perde significato.
Ad esempio, confrontare l’effetto di una campagna pubblicitaria su:
vendite mensili;
temperatura media della città;
numero di dipendenti aziendali;
non produce un unico fenomeno coerente da analizzare.
In questi casi è spesso più corretto costruire modelli separati.
Il campione è troppo piccolo rispetto al numero di variabili
La MANOVA richiede di stimare matrici di covarianza.
All’aumentare del numero di variabili dipendenti cresce rapidamente il numero di parametri da stimare. Con pochi dati rispetto alla dimensionalità, le matrici possono diventare instabili e i risultati poco affidabili.
Una regola pratica è evitare situazioni in cui:
[math]p \approx N[/math]
dove [math]p[/math] è il numero di variabili dipendenti e [math]N[/math] il numero di osservazioni.
In scenari ad alta dimensionalità possono essere più adatti metodi di riduzione dimensionale o modelli regolarizzati.
Le assunzioni statistiche sono fortemente violate
La MANOVA classica si basa su ipotesi importanti:
normalità multivariata;
omogeneità delle matrici di covarianza;
indipendenza delle osservazioni.
Se queste condizioni sono fortemente violate, il risultato del test può diventare poco robusto.
Possibili alternative includono:
trasformazioni delle variabili;
test basati su permutazioni;
metodi non parametrici multivariati;
modelli bayesiani.
Le variabili dipendenti sono quasi duplicate
Se due variabili sono quasi perfettamente correlate:
[math]\text{corr}(Y_1, Y_2) \approx 1[/math]
non stiamo aggiungendo nuova informazione, ma misurando quasi lo stesso fenomeno due volte.
Ad esempio:
fatturato annuale;
ricavi annuali totali;
potrebbero rappresentare praticamente la stessa dimensione.
In questi casi può essere preferibile:
eliminare una variabile ridondante;
costruire un indice sintetico;
utilizzare tecniche come la PCA (Principal Component Analysis).
Quali alternative scegliere?
La scelta del modello dipende dalla domanda analitica:
Situazione
Metodo più adatto
Più variabili correlate e confronto tra gruppi
MANOVA
Una variabile risposta continua
ANOVA o regressione
Molte variabili correlate ad alta dimensionalità
PCA o modelli di riduzione dimensionale
Violazione delle assunzioni parametriche
Test di permutazione o metodi non parametrici
Struttura complessa con effetti gerarchici
Modelli bayesiani gerarchici
Output con distribuzioni non gaussiane
Modelli lineari generalizzati multivariati
La MANOVA non è quindi un’estensione automatica dell’ANOVA, ma uno strumento da utilizzare quando la domanda scientifica riguarda una differenza globale tra gruppi nello spazio multidimensionale.
In sintesi
La vera domanda da porsi non è:
“Ho più variabili, posso usare una MANOVA?”
ma:
“Queste variabili descrivono insieme un unico fenomeno che voglio comprendere?”
MANOVA e Machine Learning: la stessa idea dietro alle feature multiple
Chi lavora nell’ambito del Machine Learning potrebbe chiedersi: perché imparare un test statistico classico come la MANOVA? La risposta risiede nell’intuizione spaziale dei dati.
Quando addestriamo un modello predittivo, non passiamo quasi mai all’algoritmo una singola feature. Gli forniamo vettori multidimensionali (le righe dei nostri dataset) perché sappiamo che il “segnale” da intercettare si nasconde spesso nell’interazione e nella covarianza tra le variabili, non nei singoli valori isolati. La MANOVA applica esattamente la stessa filosofia al mondo dell’inferenza statistica.
Esiste, infatti, un parallelo diretto tra la MANOVA e algoritmi di classificazione come la Linear Discriminant Analysis (LDA). Mentre la MANOVA si chiede se esista una separazione significativa tra i gruppi all’interno di uno spazio multidimensionale, la LDA fa un passo oltre e cerca l’iperpiano (la combinazione lineare delle feature) che massimizza quella separazione per classificare nuovi dati. Dal punto di vista algebrico, la matrice di covarianza Within e la matrice Between che abbiamo calcolato per la MANOVA sono le stesse che la LDA utilizza per trovare i suoi assi discriminanti.
Avere familiarità con questi concetti significa sviluppare un “sesto senso” analitico per la dimensionalità. È la stessa intuizione matematica che permette a un Data Scientist di comprendere davvero come la PCA (Principal Component Analysis) estrae le componenti principali, o perché i modelli predittivi lineari collassano in presenza di forte multicollinearità.
La MANOVA nasce nella statistica classica, ma il suo principio è lo stesso che ritroviamo nei modelli moderni: un fenomeno complesso raramente vive su una sola dimensione. La vera informazione spesso emerge dalle relazioni tra variabili.
💡 Insight chiave
La MANOVA e la LDA condividono la stessa algebra delle matrici di covarianza. La MANOVA testa la separazione tra gruppi nello spazio multidimensionale, mentre la LDA trova l’iperpiano per massimizzare quella separazione. Entrambe sfruttano la struttura di covarianza per estrarre informazione dalle relazioni tra variabili.
📚 ANOVA, MANOVA e analisi multivariata con Python
L’analisi della varianza e le tecniche di riduzione della dimensionalità sono strumenti fondamentali per comprendere le differenze tra gruppi, individuare relazioni tra variabili e costruire modelli predittivi affidabili. Le guide seguenti illustrano ANOVA, MANOVA e PCA attraverso esempi pratici, esercizi svolti e applicazioni in marketing, data science e machine learning con Python.
