I statistik er ikke-parametriske tests metoder til statistisk analyse, der ikke kræver en distribution for at imødekomme de krævede antagelser, der skal analyseres (især hvis dataene ikke normalt distribueres). På grund af denne grund kaldes de undertiden distributionsfrie tests. Ikke-parametriske tests fungerer som et alternativ til parametriske tests såsom T-test eller ANOVA, der kun kan anvendes, hvis de underliggende data opfylder visse kriterier og antagelser.
Bemærk, at ikke-parametriske tests bruges som en alternativ metode til parametriske tests, ikke som deres erstatninger. Med andre ord, hvis dataene opfylder de krævede forudsætninger for udførelse af parametriske tests, skal den relevante parametriske test anvendes.
Derudover kan vi i nogle tilfælde, selvom dataene ikke opfylder de nødvendige antagelser, men datastørrelsen på dataene er stor nok, stadig anvende de parametriske tests i stedet for de ikke-parametriske tests.
Årsager til at bruge ikke-parametriske tests
For at opnå de korrekte resultater fra den statistiske analyse Kvantitativ analyse Kvantitativ analyse er processen med at indsamle og evaluere målbare og verificerbare data såsom indtægter, markedsandel og løn for at forstå en virksomheds opførsel og ydeevne. I en tid med datateknologi betragtes kvantitativ analyse som den foretrukne tilgang til at træffe informerede beslutninger. , skal vi kende de situationer, hvor anvendelsen af ikke-parametriske tests er passende. De vigtigste grunde til at anvende den ikke-parametriske test inkluderer følgende:
1. De underliggende data opfylder ikke antagelserne om populationsprøven
Generelt kræver anvendelsen af parametriske tests forskellige antagelser for at være opfyldt. For eksempel følger dataene en normalfordeling, og populationsvariansen er homogen. Dog kan nogle dataprøver vise skæv fordeling Positivt skæv fordeling I statistikker er en positivt skæv (eller højre skæv) distribution en type distribution, hvor de fleste værdier er grupperet omkring venstre hale af.
Skævheden gør de parametriske tests mindre magtfulde, fordi gennemsnittet ikke længere er det bedste mål for central tendens Central tendens Central tendens er en beskrivende oversigt over et datasæt gennem en enkelt værdi, der afspejler centrum af datadistributionen. Sammen med variationen, fordi den er stærkt påvirket af de ekstreme værdier. Samtidig fungerer ikke-parametriske tests godt med skæv fordelinger og fordelinger, der er bedre repræsenteret af medianen.
2. Befolkningsprøvestørrelsen er for lille
Prøvestørrelsen er en vigtig antagelse ved valg af den passende statistiske metode Grundlæggende statistiske begreber for økonomi En solid forståelse af statistik er af afgørende betydning for at hjælpe os med bedre at forstå økonomi. Desuden kan statistiske begreber hjælpe investorer med at overvåge. Hvis en prøvestørrelse er rimelig stor, kan den relevante parametriske test bruges. Men hvis en stikprøvestørrelse er for lille, er det muligt, at du muligvis ikke kan validere distributionen af dataene. Således er anvendelsen af ikke-parametriske tests den eneste egnede mulighed.
3. De analyserede data er ordinære eller nominelle
I modsætning til parametriske tests, der kun kan arbejde med kontinuerlige data, kan ikke-parametriske tests anvendes på andre datatyper, såsom ordinære eller nominelle data. For sådanne typer variabler er de ikke-parametriske tests den eneste passende løsning.
Typer af test
Ikke-parametriske tests inkluderer adskillige metoder og modeller. Nedenfor er de mest almindelige tests og deres tilsvarende parametriske modstykker:
1. Mann-Whitney U-test
Mann-Whitney U Test er en ikke-parametrisk version af den uafhængige t-test. Testen vedrører primært to uafhængige prøver, der indeholder ordinære data.
2. Wilcoxon underskrevet rangtest
Wilcoxon Signed Rank Test er en ikke-parametrisk modstykke til de parrede prøver t-test. Testen sammenligner to afhængige prøver med ordinære data.
3. Kruskal-Wallis-testen
Kruskal-Wallis Test er et ikke-parametrisk alternativ til envejs ANOVA. Kruskal-Wallis testen bruges til at sammenligne mere end to uafhængige grupper med ordinære data.
Yderligere ressourcer
Finance er den officielle udbyder af den globale Financial Modelling & Valuation Analyst (FMVA) ™ FMVA®-certificering Deltag i 350.600+ studerende, der arbejder for virksomheder som Amazon, JP Morgan og Ferrari-certificeringsprogram, designet til at hjælpe alle med at blive en verdensklasse finansanalytiker . For at fortsætte med at lære og fremme din karriere vil de yderligere finansressourcer nedenfor være nyttige:
- Kombination Kombination En kombination er en matematisk teknik, der bestemmer antallet af mulige arrangementer i en samling af varer, hvor rækkefølgen af markeringen gør
- Kumulativ frekvensfordeling Kumulativ frekvensfordeling Kumulativ frekvensfordeling er en form for en frekvensfordeling, der repræsenterer summen af en klasse og alle klasser under den. Husk denne frekvens
- Negativt skæv fordeling Negativt skæv fordeling I statistikker er en negativ skæv fordeling (også kendt som venstre skæv) en form for distribution, hvor flere værdier er koncentreret til højre
- Prøveudvælgelsesforstyrrelse Prøveudvælgelsesforstyrrelse Prøveudvælgelsesforstyrrelse er den bias, der skyldes manglende evne til at sikre korrekt randomisering af en populationsprøve. Fejlene ved prøveudvælgelsen