Neparametriskā statistika ir statistikas secinājumu nozare, kuras aprēķini un procedūras balstās uz nezināmiem sadalījumiem.
Neparametriskā statistika nav ļoti populāra. Tomēr par to ir ļoti plaša literatūra. Problēma, kuru mēģina atrisināt ar parametriem nesaistītā statistika, ir zināšanu trūkums par varbūtības sadalījumu.
Citiem vārdiem sakot, neparametriskā statistika mēģina noskaidrot nejaušā mainīgā būtību. Ja zināt, kā tā rīkojas, veiciet aprēķinus un metriku, kas to raksturo.
Tas ir parametru statistikas mērķis. Mēs to redzam sīkāk zemāk.
Neparametriskas statistikas mērķis
Pastāv dažādi varbūtības sadalījuma veidi, ar kuriem darbojas parametriskā statistika. Kad mēs nezinām, kāda veida varbūtības sadalījumam mainīgais atbilst, kādus aprēķinus mēs izmantojam?
Tas ir, ja mēs nezinām datu kopas varbūtības sadalījumu, mums jāizdara statistikas secinājumi ar parametru parametriem.
Citiem vārdiem sakot, ja mēs nezinām, kāda veida varbūtības sadalījumam ir parādība, mēs nevaram veikt aplēses tā, it kā mēs patiešām zinātu, kā tas tiek sadalīts. Tas ir parametriskās statistikas mērķis, lai ļautu mums zināt sadalījumu, lai mēs varētu pāriet uz nākamo soli (parametru statistika).
Neparametriski testi
Protams, ja mēs nezinām, kā tiek izplatīta nejauša parādība, kas mums jādara? Ļoti viegli. Mūsu misija būs mēģināt uzzināt, kā tas tiek izplatīts. Lai mēģinātu noskaidrot, kāda veida izplatībai ir noteikta parādība, mums ir pieejama virkne testu, kas mums to palīdzēs. Starp populārākajiem neparametriskajiem testiem ir:
- Binomiālais tests
- Andersona-Dārlinga tests
- Kočrana tests
- Koena kappa tests
- Fišera tests
- Frīdmana tests
- Kendala tests
- Kolmogórova-Smirnova tests
- Kuipera tests
- Mana-Vitnija vai Vilkoksona tests
- Maknemāra tests
- Vidējais tests
- Siegel-Tukey tests
- Pazīmju pārbaude
- Spīrmana korelācijas koeficients
- Crosstabs
- Valda-Volfovica tests
- Vilkoksons parakstīja ranga testu
Visi šie testi ir domāti, lai pastāstītu mums, vai nejaušais mainīgais ir sadalīts vienā vai otrā veidā. Piemēram, iespējamais rezultāts varētu būt: nejaušais mainīgais X tiek sadalīts pēc normālā sadalījuma ātruma.
Viss sakot, rezultāti nav nekļūdīgi. Lai veiktu neparametriskus testus, mums ir jābūt statistikas paraugiem. Tāpēc rezultāti var būt uzticami, taču tiem nav jābūt 100% perfektiem.