I numeri dei sondaggi politici attirano subito l’attenzione. Un punto in più o in meno sembra cambiare il quadro, ma spesso si tratta di oscillazioni normali. Per evitare interpretazioni affrettate serve un metodo: capire come è stato fatto il campionamento quanto pesa il margine d’errore e in che modo sono state applicate le ponderazioni. Solo così i dati acquistano senso. L’obiettivo non è fidarsi o diffidare a prescindere, ma saper distinguere tra segnale e rumore. Con esempi semplici e una checklist operativa, chi legge può farsi un’idea solida. Le domande giuste, poste prima di ogni conclusione, sono lo strumento più efficace per valutare la qualità di un rilievo campionario. Questa è una versione aggiornata che integra chiarimenti su metodi di raccolta (CATI, CAWI, CAMI) e su margini d’errore tipici riportati nelle rilevazioni recenti, senza cambiare ciò che resta valido.
Ultimo aggiornamento: 14 luglio 2026
Campionamento: chi viene ascoltato e perché conta
Ogni sondaggio parte da un campione cioè un gruppo di persone che rappresenta la popolazione. Il principio è semplice: se il campione è selezionato bene, le sue risposte stimano quelle dell’insieme. In pratica, il campionamento casuale puro è raro; si usano spesso campioni stratificati o panel online con quote per età, genere, area. Se il frame (l’elenco da cui si pescano gli intervistati) esclude alcune fasce, nasce un bias di copertura. Esempio: se mancano giovani e studenti, un tema come il voto ai 18-24 anni può risultare sottostimato. Più il campione riflette la struttura reale, più le stime sono affidabili.
Un indicatore utile è la dimensione del campione. Con 1.000 interviste, le stime complessive tendono a essere stabili; con 400, oscillano di più. Attenzione però: anche un campione ampio non salva da errori di selezione. Se il reclutamento favorisce persone molto politicamente coinvolte, il risultato può accentuare l’intenzione di voto di chi segue la politica e ridurre quella degli indecisi. Chiedere come sono stati scelti gli intervistati è il primo passo per valutare la qualità del dato. Conta anche come sono stati contattati: metodi telefonici ( CATI ), online ( CAWI ) o misti possono raggiungere persone diverse e introdurre bias differenti se non corretti.
Per una lettura operativa, conviene verificare sempre la composizione del campione per etàgenerearea geografica e titolo di studio oltre al metodo di selezione (probabilistico vs non probabilistico). Se la quota di indecisi e non rispondenti è alta, le stime sulle intenzioni di voto vanno interpretate con prudenza e affiancate, quando disponibile, da scenari alternativi che mostrino l’effetto di diverse ipotesi di allocazione degli indecisi.
Margine d’errore: quanto può oscillare una percentuale
Il margine d’errore indica l’ampiezza dell’incertezza statistica dovuta al fatto che si osserva un campione e non tutta la popolazione. Un 30% con ±3% significa che il valore plausibile va dal 27% al 33%, in un certo livello di confidenza (di solito 95%). Questo cambia la lettura: se due liste sono al 31% e al 29% con ±3%, tecnicamente sono sovrapposte. Titoli sul sorpasso rischiano di confondere una fluttuazione normale con un cambio di trend. Il margine dipende dalla dimensione campionaria e dalla variabilità della risposta. Nei sotto-campioni (giovani, residenti in una regione) l’errore cresce, spesso molto. Una stima al 25% tra i 18-24 anni basata su 120 casi vale meno, a parità di metodo, della stima complessiva.
Quando il sondaggio non riporta i margini per i sotto-gruppi, la prudenza è d’obbligo: il rischio è sopravvalutare differenze che rientrano nel rumore. Esempio concreto con un campione di 1.000 persone, un 30% ricade circa tra 27,2% e 32,8% (margine ±2,8%). Nella pratica i margini dichiarati si collocano spesso tra l’1,5% e il 3%, e non è raro leggere ±2,8% in rilevazioni recenti anche con metodi di raccolta misti. Se gli indecisi sono numerosi, la forchetta sulle intenzioni di voto rappresenta solo una parte dell’incertezza: serve guardare anche ai modelli di affluenza e alla redistribuzione degli indecisi per capire gli scenari plausibili.
Ponderazioni: correggere gli squilibri senza truccare i dati
Le ponderazioni servono ad allineare il campione alla popolazione. Se nel campione le donne sono il 60% ma nella popolazione sono il 52%, si applicano pesi per ridurre l’eccesso. Lo stesso per istruzione, area geografica, ricordo di voto. È una pratica standard, non un trucco: migliora la rappresentatività ma non fa miracoli. Se una fascia è quasi assente, pesarla molto aumenta la varianza e rende le stime instabili. Importano sia le variabili ponderate sia il metodo (raking post-stratificazione, regressione). Un buon report indica quali pesi sono stati usati e quanto hanno modificato i risultati grezzi.
Esempio semplice: se nel grezzo un partito è al 20% e, dopo pesi per età e area, sale al 23%, è utile saperlo per capire da dove arriva la correzione. Trasparenza e coerenza nelle ponderazioni sono segnali positivi di qualità. Se le ponderazioni correggono anche il non response bias (ad esempio compensando la sottorappresentazione di chi risponde meno), è importante verificare che non si introducano pesi estremi che gonfiano l’incertezza più di quanto risolvano lo squilibrio iniziale.
Esempi pratici: tre casi comuni e come leggerli
Primo caso: sfida testa a testa, 51% vs 49%, ±3%. Le forchette sono 48–54% e 46–52%. Poiché si sovrappongono, il risultato è incerto: si può dire che la competizione è aperta, non che uno «ha vinto». Secondo caso: partito piccolo al 4% con ±1,5%. La forchetta 2,5–5,5% mette in gioco la soglia di sbarramento l’esito può cambiare drasticamente a seconda di pochi decimali, quindi la prudenza è massima. Terzo caso: intenzione di votare un leader al 35%, ma astensione prevista alta e 20% di indecisi. Senza modello di affluenza e redistribuzione degli indecisi, quella percentuale dice poco sull’esito reale del voto.
Un altro elemento frequente è l’effetto evento (dibattito, crisi, provvedimento). Se un sondaggio mostra un balzo di 2 punti immediatamente dopo, va chiesto se si tratta di rumore campionario o di un cambiamento significativo confermato da più rilevazioni indipendenti o da serie storiche dello stesso istituto. Un solo dato isolato raramente basta per parlare di trend. Per leader e figure regionali, come Ruggero Razza la lettura è identica: contano ampiezza del campione nel territorio di riferimento, quota di indecisi, metodo e ponderazioni. Senza questi elementi, confronti puntuali rischiano di amplificare scarti che rientrano nella normale variabilità.
CATI, CAWI e CAMI: cosa cambia nella raccolta dei dati
Le modalità di raccolta incidono su chi risponde e su come risponde. Il telefonico con intervistatore ( CATI ) può raggiungere target meno presenti online ma soffrire di rifiuti selettivi; l’online autocompilato ( CAWI ) consente velocità e controllo delle quote ma richiede panel ben manutenuti per evitare coperture distorte; i disegni misti ( CAMI ) combinano canali per ridurre i punti ciechi. Le differenze di contesto e di social desirability possono spostare alcune risposte: per questo il metodo va sempre dichiarato, insieme ai tassi di non risposta e alle correzioni applicate.
Nella pratica recente, molte rilevazioni usano modalità miste e ponderazioni articolate. Questo migliora la copertura ma rende più complesso interpretare le stime: margini d’errore simili possono nascondere differenze nel disegno del campione e nei pesi. Per leggere bene, conviene controllare: composizione del campione, quote e criteri di rimpiazzo; metodo di contatto e controlli sulla qualità delle risposte; quota di indecisi e non rispondenti; variabili e algoritmi di ponderazione; presenza di serie storiche coerenti dello stesso istituto.
Una checklist essenziale aiuta a separare segnale e rumore: 1) campione bilanciato per età, genere, area, titolo di studio; 2) indicazione chiara del metodo di selezione (probabilistico/non probabilistico) e della raccolta (CATI/CAWI/CAMI); 3) dimensione del campione e margine d’errore complessivo, con avvertenze sui sotto-campioni; 4) quota di indecisi e astensione stimata; 5) ponderazioni usate e loro impatto sul dato; 6) coerenza con serie storiche e confronti con altre rilevazioni ravvicinate; 7) contesto temporale della domanda (prima/dopo eventi) e formulazione del quesito. Se mancano più tasselli, meglio sospendere il giudizio, perché l’incertezza reale è più ampia di quanto suggeriscano i numeri nudi.
