ANALISI DI TABELLE

DI CONTINGENZA

91
 TABELLE DI CONTINGENZA

Una tabella di contingenza è una tabella di

frequenza a doppia entrata in cui vengono
incrociate due variabili qualitative.

Esempio
SESSO
INTERESSE PER
Maschio Femmina Totale
STATISTICA
Alto 62 26 88
Medio 35 29 64
Basso 3 45 48
Totale 100 100 200

Si ha una variabile di riga ("Interesse per

statistica") e una variabile di colonna ("Sesso"),
ciascuna con le proprie modalità o categorie.

Ogni intersezione tra una riga e una colonna

genera una casella, in cui compare la frequenza
dei soggetti che rispondono alle due modalità che
si incrociano: 62, ad esempio, indica quanti sono i
maschi con un alto interesse per la statistica.
92
 TABELLA DI CONTINGENZA 2 X 2

La classificazione di un insieme di soggetti

secondo due criteri (ciascuno dei quali avente due
livelli di classificazione) può essere rappresentata
da una tabella 2 x 2.

I criterio
1 2 Totale
II criterio

1 a b a+b

2 c d c+d

Totale a+c b+d n

2 colonne → 2 livelli del I criterio classificatorio;

2 righe → 2 livelli del II criterio classificatorio.

93
 TABELLA DI CONTINGENZA m x n

Si classifica secondo due criteri, aventi

rispettivamente m ed n livelli di classificazione.

I criterio
1 2 … m

1
II criterio

m colonne → m livelli del I criterio classificatorio;

n righe → n livelli del II criterio classificatorio.

94
 IL TEST DI INDIPENDENZA χ2

Il test χ2 è impiegato in molte aree di ricerca per

analizzare dati presentati in forma di tabella di
contingenza.

Nel test di indipendenza si vuole sottoporre a test

l’ipotesi nulla che due criteri di classificazione,
applicati al medesimo insieme di dati, siano
indipendenti.

H0: le due variabili sono indipendenti;

H1: le due variabili non sono indipendenti.

Due criteri di classificazione sono indipendenti se

la distribuzione rispetto a un criterio non viene
influenzata dalla classificazione rispetto all’altro
criterio.

Se l’ipotesi nulla viene rifiutata, si conclude che i

due criteri di classificazione non sono
indipendenti.
95
Esempio
La tabella seguente sintetizza i risultati di uno
studio, condotto su un campione di 500 studenti,
in cui si vuole indagare sulla relazione tra stato
nutrizionale e rendimento scolastico.

Stato nutrizionale
Povero Buono Totale
Rendimento
scolastico

Scarso 105 15 120

Soddisfacente 80 300 380

Totale 185 315 500

Esiste una relazione di dipendenza tra le due

variabili?

Ipotesi
H0: le due variabili sono indipendenti;
H1: le due variabili non sono indipendenti.

Dei 500 soggetti

24% (120/500) 76% (380/500)

rendimento scarso rendimento soddisfacente.
96
 Calcolo delle frequenze attese

Assumendo che H0 sia vera, cioè che lo stato

nutrizionale non interferisca con il rendimento
scolastico, le stesse percentuali dovrebbero
verificarsi sia tra i soggetti con stato nutrizionale
povero che con stato nutrizionale buono.

La tabella seguente mostra le frequenze calcolate

secondo la logica espressa.
Come costruire la tabella?
a =(n1/N)·n3
b =(n1/N)·n4
c = (n2/N)·n3
d = (n2/N)·n4

Stato nutrizionale
Povero Buono Totale
Rendimento
scolastico

Scarso 44.4 a 75.6 b 120 n1

Soddisfacente 140.6 c 239.4 d 380 n2

Totale 185 n3 315 n4 500 N

97
I gradi di libertà

Non è necessario calcolare tutte e quattro le

frequenze attese.
Noti i totali marginali, basta calcolare uno solo
dei 4 valori attesi, per poter dedurre gli altri 3
valori per differenza.
Per questo si dice che una tabella 2 x 2 ha 1 grado
di libertà.

In generale

per calcolare i gradi di libertà di una tabella di

contingenza, basta applicare la seguente formula:

gdl=(no di righe –1) x (no di colonne – 1)

Esempi:
gdl di una tabella 2 x 2 = (2-1) x (2-1) = 1
gdl di una tabella 3 x 2 = (3-1) x (2-1) = 2

gdl di una tabella m x n = (m-1) x (n-1)

98
 Confronto tra frequenze osservate e attese
Test χ2

Le frequenze nelle due tabelle sono simili?

Stato nutrizionale
Povero Buono Totale
Rendimento
scolastico

Scarso 105 15 120

Soddisfacente 80 300 380

Totale 185 315 500

Stato nutrizionale
Povero Buono Totale
Rendimento
scolastico

Scarso 44.4 75.6 120

Soddisfacente 140.6 239.4 380

Totale 185 315 500

Evidentemente No
99
 ?
Le differenze tra le due distribuzioni sono
attribuibili al caso oppure il rendimento
scolastico è, in qualche modo, legato allo stato
nutrizionale?

È necessario un test statistico che indichi se le

differenze tra le frequenze osservate e le
frequenze attese (sotto l’ipotesi di indipendenza)
siano o no attribuibili alla variabilità casuale.

Test χ2

(frequenza osservata - frequenza attesa nella cella)2

χ = somma di
2

frequenza attesa nella cella

2
(O - E)
χ2 = ∑
E
dove O=frequenze osservate
E= frequenze attese

100
 Calcolo di χ2
Calcoliamo il valore di χ2 utilizzando le
informazioni contenute nelle tabelle precedenti.
χ =
2 (105 − 44.4)
2
+
(15 − 75.6)
2
+
(80 − 140.6)
2
+
(300 − 239.4 )
2
=
44.4 75.6 140.6 239.4
60.6 2 (−60.6) 2 (−60.6) 2 (60.6) 2
= + + + =
44.4 75.6 140.6 239.4
3672.36 3672.36 3672.36 3672.36
= + + + =
44.4 75.6 140.6 239.4
= 82.71 + 48.58 + 26.12 + 15.34 =
= 172.75
Si ottiene un valore del test χ2=172.75 con 1gdl.
La consultazione della tavola sinottica del χ2
consente la lettura dei valori critici.
Per α = 0.05 e 1gdl, il valore critico di χ2 =3.84

Decisione statistica

Regola di decisione
Rifiuto H0 se χ2 calcolato > χ2 tabulato

Poiché 172.75[χ2 calcolato] > 3.84 [χ2 critico] rifiuto

l’ipotesi nulla.
101
 Conclusione
Concludo, con una probabilità di errore di prima
specie α =0.05, che esiste una relazione di
dipendenza tra stato nutrizionale e rendimento
scolastico.

102
 RIASSUMENDO:
COME UTILIZZARE IL TEST χ2

- Tabulare i dati in una tabella di contingenza, in

cui compaiano i totali marginali (tabella delle
frequenze osservate).

- Stabilire l’ipotesi nulla e l’ipotesi alternativa.

- Calcolare le frequenze attese, sotto l’ipotesi che

H0 sia vera.

- Sulla base delle frequenze osservate e attese,

calcolare il test χ2.

- Calcolare i gradi di libertà relativi alla tabella di

contingenza.

- Cercare sulla tabella sinottica del χ2 il valore

critico per il valore di α prefissato e per i gradi di
libertà calcolati.

- Applicare la regola di decisione statistica e

trarre la conseguente conclusione.
103
 CONDIZIONI PER L’USO DEL TEST χ2
Le frequenze attese piccole

1. Tabella di contingenza 2 x 2 con 1 gdl.

Il test χ2 non dovrebbe essere usato quando

n<20 o se 20<n<40 e c’è almeno una frequenza
attesa minore di 5.
Se n≥40 si può tollerare una sola frequenza
attesa minima, non minore di 1.

2. Tabella di contingenza con più di 1 gdl.

Una frequenza attesa minima di 1 è accettabile

se non più del 20% delle celle ha frequenze
attese minori di 5.

Quando ciò non si verifica si possono aggregare

opportunamente righe o colonne adiacenti, per
aumentare le frequenze nelle celle della tabella.

104
 Test χ2 di indipendenza e
test z sulla differenza tra 2 proporzioni.

Il test χ2 applicato ad una tabella 2 x 2

corrisponde ad un test sulla differenza tra due
proporzioni. (Vedi pagg. 89-90)

Stato nutrizionale
Povero Buono Totale
Rendimento
scolastico

Scarso 105 15 120

Soddisfacente 80 300 380

Totale 185 315 500

? La proporzione di studenti con rendimento

scarso è uguale all’interno dei due gruppi con
diverso stato nutrizionale?
Ipotesi
H0 → prendimento scarso | nutrizione povera = prendimento scarso | nutrizione buona
H1 → prendimento scarso | nutrizione povera ≠ prendimento scarso | nutrizione buona

Si tratta di un test bidirezionale;

per α = 0.05, z critico = z1-α/2 = z0.975 =±1.96.
105
Calcoliamo z dai dati campionari:

( pˆ − pˆ ) − ( p − p )
z= 1 2 1 2 0

p(1 − p) p(1 − p)
+
n1 n2

105 15
p̂ 1 = = 0 . 57 p̂ 2 = = 0 . 05
185 315

x1 + x 2 105 + 15 120
p= = = = 0 .24
n1 + n 2 185 + 315 500

0 .57 − 0 .05
z= = 13
0 .24 ⋅ (1 − 0 .24 ) 0 .24 ⋅ (1 − 0 .24 )
+
185 315

Decisione statistica
Rifiuto H0, perché 13, maggiore di 1.96, cade
nella regione di rifiuto.
Conclusione
La proporzione di studenti con rendimento scarso
non è uguale all’interno dei due gruppi con
diverso stato nutrizionale.
Ciò equivale a dire che esiste una relazione di
dipendenza tra rendimento scolastico e stato
nutrizionale.
106
 MISURE DI ASSOCIAZIONE TRA
DUE VARIABILI NOMINALI.

Negli studi epidemiologici (Vedi I parte pagg. 89-90) si

è interessati a confrontare la probabilità di un
evento (spesso la malattia) in soggetti esposti a un
potenziale fattore di rischio e in soggetti non
esposti.

Si ricorda che:

- in uno studio prospettivo, studio di incidenza, il

ricercatore seleziona due campioni, uno formato
da soggetti esposti al fattore di rischio e l’altro da
soggetti non esposti. I soggetti vengono seguiti
nel tempo in modo da registrare i casi di malattia
nei due gruppi;

- in uno studio retrospettivo, studio caso-

controllo, il ricercatore è interessato a
determinare retrospettivamente la distribuzione
del fattore di rischio nei casi (soggetti con la
malattia) e nei controlli (soggetti sani).

107
 STUDI PROSPETTIVI E
RISCHIO RELATIVO

I risultati di uno studio di incidenza possono

essere sintetizzati in una tabella di contingenza
2 x 2:
INFARTO MIOCARDICO
FATTORE DI RISCHIO Sì No Totale
Colesterolo ≥240 mg/dl 9 211 220
Colesterolo <240mg/dl 3 257 260
Totale 12 468 480

In generale:
MALATTIA
FATTORE DI RISCHIO Sì No Totale
Esposti a b a+b
Non esposti c d c+d
Totale a+c b+d n

Il rischio di contrarre la malattia nei soggetti

esposti è:
a
a+b
Il rischio di contrarre la malattia nei soggetti non
esposti è:
c
c+d
108
 Il rischio relativo RR

Il rischio relativo (RR) è il rapporto tra

l’incidenza della malattia (o rischio assoluto o
probabilità di ammalare) negli esposti al fattore di
rischio e l’incidenza della malattia (o rischio
assoluto o probabilità di ammalare) nei non
esposti.

a ( a + b)
RR= c (c + d )

Il rischio relativo RR, calcolato su un campione,

può essere usato come stima del rischio relativo
RR nella popolazione dalla quale il campione è
stato estratto.

N.B. RR = rischio relativo calcolato sui dati campionari

RR = rischio relativo nella popolazione

109
 Come interpretare i valori assunti dal RR

Il Rischio Relativo può assumere valori compresi

tra zero e infinito.

• Se RR=0: non c’è associazione tra la

presenza o meno del fattore di rischio e la
malattia.
• Se RR=1: il rischio di contrarre la malattia è
uguale per i soggetti esposti e per i soggetti non
esposti al fattore di rischio.
• Se RR>1: il rischio di contrarre la malattia è
maggiore tra i soggetti esposti.
• Se RR<1: il rischio di contrarre la malattia è
minore tra i soggetti esposti.

Esempio
L’essere sposati con un fumatore è associato a un
rischio relativo di malattie cardiache pari a 1.3.
Ciò significa che i non fumatori sposati con
fumatori sono colpiti 1.3 volte di più da malattie
cardiache rispetto a non fumatori sposati con non
fumatori.
110
 Intervallo di confidenza per RR

Possiamo costruire un intervallo di confidenza

per RR con il seguente metodo:
1± ( z1− a / 2 / χ 2 )
100(1 − α )% I .C. = RR
(Oi − Ei ) 2
k

dove z1-α/2 è il valore bidirezionale e χ = ∑

2

i =1 Ei

111
Esercizio Daniel pag.506 12.7.1
Tra i dati raccolti in uno studio prospettivo sulla
depressione postnatale nelle donne (Boyce et al.)
compaiono i dati riassunti nella tabella che segue.
Dal campione dei soggetti in studio, si vuole stimare il
rischio relativo di diventare un “caso” di depressione
postnatale in donne primipare, sposate o conviventi in
maniera stabile, ad un mese dal parto, quando è presente il
fattore di rischio, rappresentato da un partner indifferente.

Depressione
Partner indifferente Sì No Totale
Sì 5 21 26
No 8 82 90
Totale 13 103 116

Dai dati in tabella calcoliamo RR:

5 26 0.1923
RR= 8 90 = 0.0889 = 2.2

Il rischio di diventare un caso (sviluppare

depressione) è 2.2 volte superiore nelle donne che
hanno partner indifferenti.

112
Calcoliamo l’intervallo di confidenza al 95% per
RR con la seguente formula:

1± ( z1− a / 2 / χ 2 )
100(1 − α )% I .C. = RR

k
(O − E ) 2
χ2 = ∑ i i
= 2.1682
z=1.96 i =1 Ei

Depressione
Partner indifferente Sì No Totale
Sì 5 (2.92) 21(23.09) 26
No 8(10.08) 82(79.91) 90
Totale 13 103 116

1± ( z1−a / 2 / χ 2 ) 1±(1.96/ 2.1682

RR = 2.2 = 0.77; 6.28

Poiché l’intervallo include 1, il RR nella popolazione

può essere uguale a 1.
Pertanto si può concludere che, ad un livello di
significatività dello 0.05%, non ci dovrebbe essere un
rischio maggiore di diventare depresse, un mese dopo
il parto, se il partner è indifferente.

113
 STUDI CASO-CONTROLLO E
ODDS RATIO

I risultati di uno studio caso-controllo possono

essere sintetizzati in una tabella di contingenza
2 x 2:

INFARTO MIOCARDICO
FATTORE DI RISCHIO Casi Controlli Totale
Colesterolo ≥240 mg/dl 100 70 170
Colesterolo <240mg/dl 87 193 280
Totale 187 263 450

In generale:
MALATTIA
FATTORE DI RISCHIO Casi Controlli Totale
Esposti a b a+b
Non esposti c d c+d
Totale a+c b+d n

L’odds ratio è la misura appropriata per

confrontare casi e controlli in uno studio
retrospettivo.

114
 Definizione di odds

L’ odds (probabilità) di un evento può essere

definito come il rapporto della probabilità che
l’evento considerato si verifichi e il suo
complemento a 1, cioè la probabilità che l’evento
non si verifichi.
Probabilità di E P(E)
Odds = =
Probabilità di E P(E )

Probabilità di malattia
Odds di malattia =
Probabilità di non malattia

Con riferimento alla tabella,

MALATTIA
FATTORE DI RISCHIO Casi Controlli Totale
Esposti a b a+b
Non esposti c d c+d
Totale a+c b+d n

• l’odds di malattia (probabilità di essere un caso)

tra i soggetti esposti è:
a b a
/ =
a+b a+b b
• l’odds di malattia (probabilità di essere un caso)
tra i soggetti non esposti è:
c d c
/ =
c+d c+d d
115
 L’Odds ratio OR

L’odds ratio OR è il rapporto tra gli odds di

malattia nei soggetti esposti al fattore di rischio e
gli odds di malattia nei soggetti non esposti:
a
b = ad
OR= c bc
d

L’odds ratio viene definito rapporto crociato in

quanto può essere calcolato come rapporto tra i
prodotti dei termini situati sulle diagonali della
tabella 2x2.

N.B. OR = rapporto di odds calcolato su dati campionari

OR = rapporto di odds della popolazione

116
 Come interpretare i valori assunti da =OR

L’Odds Ratio può assumere valori compresi tra

zero e infinito.

• Se OR=0: non c’è associazione tra la

presenza o meno del fattore di rischio e la
malattia.
• Se OR=1: il rischio di contrarre la malattia è
uguale per i soggetti esposti e per i soggetti non
esposti al fattore di rischio.
• Se OR>1: il rischio di contrarre la malattia è
maggiore tra i soggetti esposti.
• Se OR<1: il rischio di contrarre la malattia è
minore tra i soggetti esposti.

Intervallo di confidenza per OR

OR è la stima di OR, rapporto di odds nella

popolazione.
χ )
k
(Oi − Ei ) 2
I .C . = OR1± ( z1−a / 2 / χ =∑
2 2
dove Ei
i =1

117
Esercizio Daniel pag.509 12.7.2
La tavola che segue riporta 158 soggetti classificati come
casi e controlli rispetto alla presenza dell’infezione da
sifilide e secondo il numero di partner sessuali (fattore di
rischio) negli ultimi 90 giorni.
Si desidera confrontare l’odds dell’infezione da sifilide tra i
soggetti con tre o più partner sessuali, negli ultimi 90
giorni, rispetto all’odds dei soggetti con nessun partner
sessuale negli ultimi 90 giorni.

Infezione da
sifilide
O
N di partner sessuali negli Casi Controlli Totale
ultimi 90 gg
≥3 41 58 99
0 10 49 59
Totale 51 107 158
Cohen et al., American Journal of Public Health, 82(1992), 552-556

a
b = ad = 41 ⋅ 49 = 3.46
OR= c bc 58 ⋅10
d
Coloro che hanno avuto tre o più partner sessuali
negli ultimi 90 giorni hanno una probabilità di
infezione 3.46 volte più elevata dei non casi.

118
I.C. al 95% per OR

1± ( z1− a / 2 / χ 2 )
I .C. = OR

k
(Oi − Ei ) 2
χ =∑
2
= 10.1223
i =1 E i

1± (1.96 / 10.1223)
L1;L2= 3.46 = 1.61;7.43

I limiti inferiore e superiore dell’intervallo di

confidenza di OR sono 1.61 e 7.43.

Conclusione
Abbiamo un grado di fiducia del 95% che l’OR
della popolazione sia compreso entro i due limiti
calcolati.
Poiché l’intervallo non contiene 1 è possibile
concludere che nella popolazione aver avuto 3 o
più partner sessuali negli ultimi 90 gg aumenta la
probabilità di contrarre la malattia di 3.46 volte.

119
 IL χ2 DI MANTEL-HAENSZEL

Variabile di confounding
Nello studio della relazione tra una data malattia
e un presunto fattore di rischio, può capitare che
vi sia un’altra variabile (associata alla malattia,
al fattore di rischio o ad entrambi), che può
falsare la vera relazione tra le due variabili.

La tecnica di Mantel-Haenszel consente di

controllare la variabile di confounding, in
modo da ottenere una valutazione non ambigua
della relazione tra malattia e fattore di rischio.

Come procedere?
I soggetti, casi o controlli, vengono assegnati a
strati, che corrispondono alle diverse modalità
della variabile di confounding.
La variabile di confounding può essere
categoriale o continua; se è continua deve essere
categorizzata.
Esempio: se la variabile di confounding è l’età, è possibile categorizzarla
raggruppando i dati in classi di età mutuamente esclusive.

120
 Come calcolare il χ2 di
Mantel-Haenszel

1.Formare tanti strati quante sono le classi della

variabile di confounding:
↓
k classi della variabile di confounding
k strati.

La tabella seguente riporta i dati relativi all’i-

esimo strato.

Campione
Fattore di rischio Casi Controlli Totale
Presente ai bi ai+bi
Assente ci di ci+di
Totale ai+ci bi+di ni

2.Per ogni strato calcolare la frequenza attesa ei

relativa alla cella a sinistra della prima riga
della tabella, nel seguente modo:
(a i + b i )(a i + c i )
ei =
ni

121
3.Per ogni strato calcolare la quantità:

( ai + bi )(ci + d i )(ai + ci )(bi + d i )

vi =
ni2 (ni − 1)

4.Calcolare il χ2 di Mantel-Haenszel nel seguente

modo:
k

∑ (a i − ei ) 2
χ MH
2
= i =1
k

∑v
i =1
i

5.Rifiuta H0, ipotesi nulla di nessuna associazione

nella popolazione tra la malattia e il fattore di
rischio sospetto, se il valore χ MH calcolato dai
2

dati campionari è ≥ al valore critico, cioè al

valore tabulato del χ2 con 1 g.d.l. e con il livello
di significatività prescelto.

122
L’ODDS RATIO DI MANTEL-HAENSZEL

Quando si hanno k strati, è possibile calcolare

l’odds ratio di Mantel-Haenszel, ORMH, nel
seguente modo:

k
 ai di 
∑ 
 n 

= i =k1
i
ORMH
 bi ci 
∑i =1

 ni



N.B. → Assunzione: nella popolazione l’odds

ratio è uguale in ogni strato.

123
Esercizio
Si vuole valutare l’efficacia di una profilassi antibiotica su
pazienti da sottoporre a due diversi tipi di intervento
chirurgico (intervento A e intervento B), in relazione alla
comparsa di eventuali infezioni postoperatorie.
Prima dell’intervento, fu somministrato antibiotico a 303
dei 606 pazienti da sottoporre all’intervento A, mentre i
restanti 303 ricevettero un placebo;
fu somministrato antibiotico a 301 dei 612 pazienti da
sottoporre all’intervento B, mentre i restanti 311
ricevettero un placebo.
La comparsa di infezioni postoperatorie nei pazienti
esaminati è sintetizzata nella tabella seguente.

Antibiotico Placebo Totale

Intervento A
Numero totale di pazienti 303 303 606
Numero di pazienti affetti da 26 43 69
infezione postoperatoria

Intervento B
Numero totale di pazienti 301 311 612
Numero di pazienti affetti da 14 25 39
infezione postoperatoria

Esiste associazione tra profilassi antibiotica prima

dell’intervento e comparsa di infezioni postoperatorie, in
pazienti sottoposti ai due tipi di intervento?
Si desidera confrontare i dati rispetto al tipo di intervento
chirurgico. Sia alfa = 0.05
124
Soluzione

Assunzioni
Sono verificate le assunzioni necessarie per un
uso appropriato del test χ di Mantel-Haenszel
2

Ipotesi
H0: non c’è associazione tra trattamento
antibiotico perioperatorio e comparsa di infezioni
postoperatorie in pazienti sottoposti a intervento
di tipo A e di tipo B.
H1: c’è associazione tra trattamento antibiotico
perioperatorio e comparsa di infezioni
postoperatorie in pazienti sottoposti a intervento
di tipo A e di tipo B.

Test

Chi-quadrato con 1 g.d.l.

k

∑ (a i − ei ) 2
χ MH
2
= i =1
k

∑v
i =1
i

125
Regola di decisione
Per α=0.05 il valore di χ2 critico è 3.841.
Rifiutiamo H0 se il valore calcolato della statistica
test è ≥ 3.841.

Calcolo del χ2MH

Per prima cosa è opportuno sintetizzare i dati
come nelle tabelle seguenti:
Intervento A: strato1
Infezione
postoperatoria
Fattore di rischio (nessun antibiotico Sì No Totale
prima dell’intervento)
Sì 43 260 303
No 26 277 303
Totale 69 537 606

Intervento B: strato 2
Infezione
postoperatoria
Fattore di rischio (nessun antibiotico Sì No Totale
prima dell’intervento)
Sì 25 286 311
No 14 287 301
Totale 39 573 612
126
Calcolo delle frequenze attese:
e1=(43+260)(43+26)/606=303·69/606=34.5
e2=(25+286)(25+14)/612=311·39/612=19.82

Calcolo di v1 e di v2:
v1=(303)(303)(69)(537)/(6062)(606-1)=15.3112
v2=(311)(301)(39)(573)/(6122)(612-1)=9.1418

Calcolo di χ2:

(43 − 34.5) 2 + (25 − 19.82) 2

χ 2
= = 4.05
15.3112 + 9.1418
MH

Decisione statistica e conclusione

Poiché 4.05 > 3.841, rifiutiamo H0 e concludiamo
che c’è relazione tra profilassi antibiotica
perioperatoria e comparsa di infezioni
postoperatorie, dopo aver corretto rispetto alla
variabile di confounding “Tipo di intervento
chirurgico A o B”.

127
Calcolo dell’odds ratio di Mantel-Haenszel

Dai dati stratificati della tabella è possibile

calcolare l’odds ratio:

- calcoliamo il numeratore del rapporto:

(a1d1/n1) + (a2d2/n2) =
= [(43)(277)/606] + [(25)(287)/612] = 31.378972

- calcoliamo il denominatore:
(b1c1/n1) + (b2c2/n2) =
= [(260)(26)/606] + [(286)(14)/612] = 17.697599

L’odds ratio sarà:

ORMH = 31.378972 / 17.697599 = 1.77

Da questi risultati è possibile stimare che i

pazienti sottoposti ad intervento di tipo A o di
tipo B a cui non è stato somministrato antibiotico
prima dell’intervento, hanno una probabilità 1.77
maggiore di sviluppare infezioni postoperatorie,
rispetto ai pazienti cui è stato somministrato
l’antibiotico.
128