Neparametrična statistika je veja statističnega sklepanja, katere izračuni in postopki temeljijo na neznanih porazdelitvah.
Neparametrične statistike niso zelo priljubljene. Vendar je o tem zelo obsežna literatura. Težava, ki jo želi rešiti neparametrična statistika, je pomanjkanje znanja o porazdelitvi verjetnosti.
Z drugimi besedami, neparametrična statistika poskuša ugotoviti naravo naključne spremenljivke. Ko enkrat veste, kako se obnaša, izvedite izračune in meritve, ki so značilne za to.
To je cilj neparametrične statistike. Podrobneje ga vidimo spodaj.
Cilj neparametrične statistike
Parametrična statistika deluje na različne vrste porazdelitev verjetnosti. Ko zdaj ne vemo, kateri vrsti porazdelitve verjetnosti ustreza spremenljivka, katere izračune uporabimo?
To pomeni, da kadar ne poznamo verjetnostne porazdelitve nabora podatkov, moramo statistično sklepati z neparametričnimi postopki.
Z drugimi besedami, če ne vemo, kakšno porazdelitev verjetnosti ima pojav, ne moremo izdelovati ocen, kot da v resnici vemo, kako je porazdeljen. To je cilj parametrične statistike, ki nam omogoča, da poznamo porazdelitev, tako da lahko preidemo na naslednji korak (parametrična statistika).
Neparametrični preskusi
Seveda, če ne vemo, kako se razdeli naključni pojav, kaj naj naredimo? Zelo enostavno. Naše poslanstvo bo poskusiti vedeti, kako se distribuira. Za poskus ugotovitve, kakšno vrsto distribucije ima določen pojav, imamo na voljo vrsto testov, ki nam pomagajo pri tem. Med najbolj priljubljenimi neparametričnimi testi so:
- Binomni test
- Anderson-Darlingov test
- Cochranov test
- Cohen kappa test
- Fisherjev test
- Friedmanov test
- Kendallov test
- Test Kolmogórov-Smirnov
- Kuiperjev test
- Mann-Whitneyev test ali Wilcoxonov test
- McNemarjev test
- Mediani test
- Siegel-Tukeyjev test
- Preizkus znakov
- Spearmanov korelacijski koeficient
- Navzkrižne zavihke
- Wald-Wolfowitzov test
- Wilcoxon je podpisal rang test
Vsi ti testi naj bi nam povedali, ali je naključna spremenljivka tako ali drugače porazdeljena. Na primer, možen rezultat bi lahko bil: naključna spremenljivka X se porazdeli s hitrostjo običajne porazdelitve.
Kot rečeno, rezultati niso nezmotljivi. Za izvajanje neparametričnih testov moramo imeti statistične vzorce. Rezultati so torej lahko zanesljivi, vendar ni nujno, da so 100% popolni.