Co oznacza metoda nieparametryczna?
Metoda nieparametryczna odnosi się do rodzaju statystyki, która nie wymaga, aby analizowana populacja spełniała pewne założenia lub parametry. Dobrze znane metody statystyczne, takie jak ANOVA, korelacja Pearsona, test t i inne, dostarczają ważnych informacji o analizowanych danych tylko wtedy, gdy populacja podstawowa spełnia określone założenia. Jednym z najczęstszych założeń jest to, że dane dotyczące populacji mają „rozkład normalny”.
Statystyki parametryczne można jednak również stosować do populacji o innych znanych typach rozkładu. Statystyka nieparametryczna nie wymaga, aby dane dotyczące populacji spełniały założenia wymagane dla statystyki parametrycznej. W związku z tym statystyki nieparametryczne należą do kategorii statystyk określanych czasem jako „bez dystrybucji”. Często metody nieparametryczne będą stosowane, gdy dane dotyczące populacji mają nieznany rozkład lub gdy próbka jest mała.
Wyjaśnienie metody nieparametrycznej
Metody parametryczne i nieparametryczne są często stosowane na różnych typach danych. Statystyka parametryczna zazwyczaj wymaga danych przedziału lub współczynnika. Przykładem tego rodzaju danych jest wiek, dochód, wzrost i waga, w których wartości są ciągłe, a odstępy między wartościami mają znaczenie.
Natomiast statystyki nieparametryczne są zwykle stosowane w przypadku danych nominalnych lub porządkowych. Zmienne nominalne to zmienne, dla których wartości nie mają wartości ilościowej. Typowe zmienne nominalne w badaniach nauk społecznych obejmują na przykład płeć, których możliwymi wartościami są odrębne kategorie, „mężczyzna” i „kobieta”. Inne popularne zmienne nominalne w badaniach nauk społecznych to rasa, stan cywilny, poziom wykształcenia i status zatrudnienia (zatrudniony a bezrobotny).
Zmienne porządkowe to takie, w których wartość sugeruje pewien porządek. Przykładem zmiennej porządkowej byłoby, gdyby respondent ankiety zapytał: „W skali od 1 do 5, gdzie 1 jest skrajnie niezadowolony, a 5 skrajnie zadowolony, jak oceniasz swoje doświadczenia z firmą kablową?”
Chociaż statystyki nieparametryczne mają tę zaletę, że muszą spełniać kilka założeń, są mniej skuteczne niż statystyki parametryczne. Oznacza to, że mogą nie wykazywać związku między dwiema zmiennymi, jeśli w rzeczywistości istnieje jedna.
Typowe testy nieparametryczne obejmują Chi Square, test sumy rang Wilcoxona, test Kruskala-Wallisa i korelację rang Spearmana.
