Ikke-parametrisk statistikk er en gren av statistisk slutning hvis beregninger og prosedyrer er basert på ukjente fordelinger.
Ikke-parametrisk statistikk er ikke veldig populær. Imidlertid er det en veldig omfattende litteratur om den. Problemet som ikke-parametrisk statistikk har som mål å løse, er mangelen på kunnskap om sannsynlighetsfordelingen.
Med andre ord prøver ikke-parametrisk statistikk å finne ut arten av en tilfeldig variabel. For når du vet hvordan den oppfører seg, må du utføre beregninger og beregninger som kjennetegner den.
Dette er målet for ikke-parametrisk statistikk. Vi ser det mer detaljert nedenfor.
Mål for ikke-parametrisk statistikk
Det er forskjellige typer sannsynlighetsfordelinger som parametrisk statistikk jobber med. Nå, når vi ikke vet hvilken type sannsynlighetsfordeling en variabel tilsvarer, hvilke beregninger bruker vi?
Det vil si at når vi ikke vet sannsynlighetsfordelingen av et datasett, må vi gjøre statistiske slutninger med ikke-parametriske prosedyrer.
Med andre ord, hvis vi ikke vet hva slags sannsynlighetsfordeling et fenomen har, kan vi ikke gjøre estimater som om vi virkelig vet hvordan det fordeles. Dette er målet med parametrisk statistikk, slik at vi kan kjenne fordelingen slik at vi kan gå til neste trinn (parametrisk statistikk).
Ikke-parametriske tester
Selvfølgelig, hvis vi ikke vet hvordan et tilfeldig fenomen fordeles, hva skal vi gjøre? Meget lett. Vår misjon vil være å prøve å vite hvordan den fordeles. For å prøve å finne ut hvilken type distribusjon et bestemt fenomen har, har vi en rekke tester tilgjengelig for å hjelpe oss med det. Blant de mest populære ikke-parametriske testene 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
- Skiltprøve
- Spearmans korrelasjonskoeffisient
- Kryssstabber
- Wald-Wolfowitz test
- Wilcoxon signerte rangtest
Alle disse testene er ment å fortelle oss om en tilfeldig variabel distribueres på en eller annen måte. For eksempel kan et mulig resultat være: den tilfeldige variabelen X fordeles med en normalfordelingshastighet.
Alt er sagt, resultatene er ikke feilbare. For å utføre ikke-parametriske tester må vi ha statistiske prøver. Derfor kan resultatene være pålitelige, men de trenger ikke å være 100% perfekte.