Icke-parametrisk statistik är en gren av statistisk slutsats vars beräkningar och procedurer baseras på okända fördelningar.
Icke-parametrisk statistik är inte särskilt populär. Det finns dock en mycket omfattande litteratur om den. Problemet som icke-parametrisk statistik syftar till att lösa är bristen på kunskap om sannolikhetsfördelningen.
Med andra ord försöker icke-parametrisk statistik att ta reda på arten av en slumpmässig variabel. När du väl vet hur den beter sig, gör beräkningar och mått som kännetecknar den.
Detta är målet för icke-parametrisk statistik. Vi ser det mer detaljerat nedan.
Mål för icke-parametrisk statistik
Det finns olika typer av sannolikhetsfördelningar som parametrisk statistik arbetar med. När vi inte vet vilken typ av sannolikhetsfördelning en variabel motsvarar, vilka beräkningar använder vi?
När vi inte vet sannolikhetsfördelningen för en datamängd, måste vi göra statistiska slutsatser med icke-parametriska procedurer.
Med andra ord, om vi inte vet vilken typ av sannolikhetsfördelning ett fenomen har, kan vi inte göra uppskattningar som om vi verkligen vet hur det fördelas. Detta är målet med parametrisk statistik, så att vi kan känna till fördelningen så att vi kan gå till nästa steg (parametrisk statistik).
Icke-parametriska tester
Naturligtvis, om vi inte vet hur ett slumpmässigt fenomen fördelas, vad ska vi göra? Väldigt lätt. Vårt uppdrag blir att försöka veta hur det distribueras. För att försöka ta reda på vilken typ av distribution ett visst fenomen har har vi en serie tester tillgängliga för att hjälpa oss att göra det. Bland de mest populära icke-parametriska testerna är:
- Binomialtest
- Anderson-Darling test
- Cochrans test
- Cohen kappa test
- Fisher test
- Friedman-test
- Kendalls test
- Kolmogórov-Smirnov-test
- Kuiper-test
- Mann-Whitney-test eller Wilcoxon-test
- McNemar-test
- Median test
- Siegel-Tukey-test
- Tecken test
- Spearmans korrelationskoefficient
- Crosstabs
- Wald-Wolfowitz-test
- Wilcoxon undertecknade rangtest
Alla dessa tester är avsedda att berätta om en slumpmässig variabel distribueras på ett eller annat sätt. Till exempel kan ett möjligt resultat vara: den slumpmässiga variabeln X fördelas med en normalfördelningshastighet.
Allt sagt är resultaten inte ofelbara. För att kunna utföra icke-parametriska tester måste vi ha statistiska prover. Därför kan resultaten vara tillförlitliga men de behöver inte vara 100% perfekta.
