Ikke-parametrisk statistik er en gren af statistisk slutning, hvis beregninger og procedurer er baseret på ukendte fordelinger.
Ikke-parametriske statistikker er ikke særlig populære. Der er dog en meget omfattende litteratur om det. Det problem, som ikke-parametriske statistikker sigter mod at løse, er manglen på viden om sandsynlighedsfordelingen.
Med andre ord forsøger ikke-parametriske statistikker at finde ud af arten af en tilfældig variabel. For når du først ved, hvordan det opfører sig, skal du udføre beregninger og metrics, der karakteriserer det.
Dette er målet for ikke-parametrisk statistik. Vi ser det mere detaljeret nedenfor.
Mål for ikke-parametriske statistikker
Der er forskellige typer sandsynlighedsfordelinger, som parametriske statistikker arbejder på. Når vi ikke ved hvilken type sandsynlighedsfordeling en variabel svarer til, hvilke beregninger bruger vi nu?
Når vi ikke kender sandsynlighedsfordelingen af et datasæt, skal vi lave statistiske slutninger med ikke-parametriske procedurer.
Med andre ord, hvis vi ikke ved, hvilken form for sandsynlighedsfordeling et fænomen har, kan vi ikke foretage skøn, som om vi virkelig ved, hvordan det fordeles. Dette er formålet med parametrisk statistik, så vi kan kende fordelingen, så vi kan gå til næste trin (parametrisk statistik).
Ikke-parametriske tests
Hvis vi ikke ved, hvordan et tilfældigt fænomen er fordelt, hvad skal vi naturligvis gøre? Meget let. Vores mission vil være at prøve at vide, hvordan den fordeles. For at prøve at finde ud af, hvilken type distribution et bestemt fænomen har, har vi en række tests til rådighed, der hjælper os med at gøre det. Blandt de mest populære ikke-parametriske tests er:
- Binomial test
- 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
- Tegn test
- Spearmans korrelationskoefficient
- Crosstabs
- Wald-Wolfowitz test
- Wilcoxon underskrev rangtest
Alle disse tests er beregnet til at fortælle os, om en tilfældig variabel distribueres på en eller anden måde. For eksempel kan et muligt resultat være: den tilfældige variabel X fordeles med en normalfordelingshastighed.
Alt i alt er resultaterne ikke ufejlbarlige. For at udføre ikke-parametriske tests skal vi have statistiske prøver. Derfor kan resultaterne være pålidelige, men de behøver ikke at være 100% perfekte.