En estadísticas, las pruebas no paramétricas son métodos de análisis estadístico que no requieren una distribución para cumplir con los supuestos requeridos a analizar (especialmente si los datos no se distribuyen normalmente). Debido a esta razón, a veces se les conoce como pruebas sin distribución.
Las pruebas no paramétricas sirven como una alternativa a las pruebas paramétricas como la prueba t o ANOVA que solo pueden emplearse si los datos subyacentes satisfacen ciertos criterios y supuestos.
Tenga en cuenta que las pruebas no paramétricas se utilizan como un método alternativo para las pruebas paramétricas, no como sus sustitutos. En otras palabras, si los datos cumplen con los supuestos requeridos para realizar las pruebas paramétricas, se debe aplicar la prueba paramétrica relevante.
Además, en algunos casos, incluso si los datos no cumplen con los supuestos necesarios, pero el tamaño de la muestra de los datos es lo suficientemente grande, aún podemos aplicar las pruebas paramétricas en lugar de las pruebas no paramétricas.
Para lograr los resultados correctos del análisis estadístico, debemos conocer las situaciones en las que es apropiada la aplicación de pruebas no paramétricas. Las razones principales para aplicar la prueba no paramétrica incluyen lo siguiente:
En general, la aplicación de pruebas paramétricas requiere que se cumplan varios supuestos. Por ejemplo, los datos siguen una distribución normal y la varianza de la población es homogénea. Sin embargo, algunas muestras de datos pueden mostrar distribuciones sesgadas.
La asimetría hace que las pruebas paramétricas sean menos potentes porque la media ya no es la mejor medida de tendencia central porque se ve fuertemente afectada por los valores extremos. Al mismo tiempo, las pruebas no paramétricas funcionan bien con distribuciones y distribuciones sesgadas que están mejor representadas por la mediana.
¿Cuáles son las pruebas no paramétricas?
La evaluación de no pruebas se desarrolló para satisfacer la segunda opción que figura en la Ley del Estado de Homes de Washington para probar o evaluar anualmente a un estudiante. Es una revisión de cartera y es completada por un maestro certificado por el estado de Washington.
Ordene el formulario de evaluación de estilo libre o lista de verificación. Una vez que reciba el formulario, llénelo y recopile una cartera recopilando información adicional para enviar, como muestras del trabajo del estudiante, una lista de libros leídos o estudiados, una lista de experiencias de viaje de campo y cualquier otra información sobre materiales de aprendizaje o Experiencias utilizadas para mejorar la experiencia de aprendizaje. Si el estudiante es capaz, haga que prepare una muestra de escritura de 1 página sobre el tema de su elección. Haga una copia del formulario de evaluación y cualquier cosa que incluya en la cartera. Archifique y almacene los originales y envíenos las copias. Una vez que se reciba el paquete, el contenido será revisado por un maestro certificado que prepare y firme un formulario que confirma que el progreso del niño ha sido evaluado de conformidad con la ley.
Para los estudiantes que tienen discapacidades y no se desempeñan a nivel de grado en algunas áreas temáticas, el formulario de evaluación de estilo libre facilita el progreso del estudiante sin una comparación directa con el contenido de nivel de grado. Si el estudiante se desempeña a nivel de grado para la mayoría de las materias, puede preferirse el formulario de evaluación de la lista de verificación. Proporciona una guía del contenido que se espera que esté cubierto para cada nivel de grado y muchos padres lo usan como una herramienta de seguimiento para garantizar que todas las áreas de contenido se cubran.
¿Cuáles son los metodos no Parametricos?
Un método no paramétrico es un enfoque matemático para las inferencias estadísticas que no consideran los supuestos subyacentes sobre la forma de la distribución de probabilidad de la observación en estudio. Estima cantidades estadísticas relevantes u ofrece un método general para probar y validar datos de covariables en menos condiciones que el método paramétrico.
La medición incurrida de los datos de covariables es un problema común en el análisis de datos estadísticos debido a covariables sustitutas imperfectas, errores en las variables o el problema de los datos faltantes.
- Un método no paramétrico es un método de inferencia matemática que no considera los supuestos subyacentes sobre la forma de la distribución de probabilidad de la población.
- El método no paramétrico ayuda a modelar métodos estadísticos apropiados como una herramienta de construcción de modelos en series de tiempo financieras y econometría.
- Si bien el método no paramétrico funciona bajo algunos supuestos, se considera menos potente que el enfoque paramétrico.
El método no paramétrico no requiere que la población esté en estudio cumpla con suposiciones particulares o parámetros específicos para caracterizar las observaciones, como es el caso con los métodos paramétricos. Para ilustrar, los métodos paramétricos convencionales, como la prueba t y ANOVA, proporcionan resultados válidos y confiables solo si la población en estudio satisface ciertas suposiciones.
¿Qué es una muestra no paramétrica?
Una prueba no paramétrica es un tipo de prueba de hipótesis estadística que no asume la distribución normal. Por esta razón, las pruebas no paramétricas a veces se definen sin distribución. Una prueba no paramétrica es más robusta que una prueba estándar, generalmente requiere muestras más pequeñas, es menos probable que esté influenciada por observaciones periféricas y puede aplicarse con menos hipótesis. Por otro lado, las pruebas no paramétricas pueden ser menos eficientes que sus contrapartes estándar, en particular si la población se distribuye realmente normalmente. Las pruebas no paramétricas son particularmente efectivas para preguntas relacionadas con frecuencias y proporciones.
La prueba de hipótesis estándar compara una muestra de una población de prueba con una muestra de una población de control para determinar si la población de prueba es estadísticamente comparable a la población de control. Si la diferencia entre el parámetro o los parámetros de la muestra, generalmente el promedio y / o la varianza, es bastante grande, entonces la muestra de prueba puede considerarse distinta de la población de control. Esta prueba paramétrica requiere que los parámetros provengan de una distribución normal.
Se ha demostrado matemáticamente que un tamaño de muestra de 30 o cuanto más se comportará aproximadamente como una distribución normal, por lo que generalmente se supone este requisito. Sin embargo, si la suposición no está justificada, los resultados de la prueba pueden no ser válidos. Las pruebas no paramétricas evitan esta suposición.
En cambio, las pruebas de hipótesis no paramétricas examinan comúnmente los datos clasificándolos o ordenándolos. Si la muestra y las poblaciones de control son las mismas y si los datos se han recopilado correctamente, cualquier diferencia entre sus categorías o clasificaciones son de cerca los resultados del caso. Si la probabilidad de que estas diferencias hayan ocurrido por casualidad, también llamada PA, es menor que una probabilidad significativa de la elección, generalmente igual al 5 por ciento o 1 por ciento, el probador rechaza la hipótesis de que las poblaciones de la muestra y el control son las Lo mismo y concluye que son diferentes.
Una prueba no paramétrica común es una prueba situada con CHI, utilizada para comparar las frecuencias o proporciones observadas. Cuando se examina un solo conjunto de frecuencia, esto a menudo se llama bondad de una buena adaptación y se usa para determinar si las frecuencias observadas son parte del intervalo previsto. Por ejemplo, se podría utilizar una prueba de bondad de adaptación para determinar si se había creado una tabla de ruleta comparando los resultados de la tabla con los resultados proporcionados por la teoría de probabilidad o para determinar si un medicamento para el dolor de cabeza era efectivo al comparar el porcentaje de personas cuyo dolor de cabeza mejoró con la droga en comparación con el porcentaje de personas cuyo dolor de cabeza mejoró cuando tomaron un placebo. Si se examinan dos frecuencias, puede usar la prueba de chi-quadrato no paramétrica para verificar la correlación o la independencia entre los factores. Las encuestas políticas a menudo buscan una correlación entre los factores sociales, económicos o demográficos y las creencias políticas, como ver si existe una correlación entre la educación de una persona y si aprueba el desempeño de un funcionario electo.
¿Cuándo se usan pruebas no paramétricas?
Las pruebas no paramétricas a veces se denominan pruebas sin distribución porque se basan en menos supuestos (por ejemplo, no asumen que el resultado se distribuye aproximadamente normalmente). Las pruebas paramétricas implican distribuciones de probabilidad específicas (por ejemplo, la distribución normal) y las pruebas implican la estimación de los parámetros clave de esa distribución (por ejemplo, la media o la diferencia en las medias) de los datos de la muestra. El costo de menos supuestos es que las pruebas no paramétricas son generalmente menos poderosas que sus contrapartes paramétricas (es decir, cuando la alternativa es verdadera, es menos probable que rechacen H0).
A veces puede ser difícil evaluar si un resultado continuo sigue una distribución normal y, por lo tanto, si una prueba paramétrica o no paramétrica es apropiada. Hay varias pruebas estadísticas que se pueden usar para evaluar si los datos son probables de una distribución normal. La más popular es la prueba de Kolmogorov-Smirnov, la prueba de Anderson-Darling y la prueba de Shapiro-Wilk. Cada prueba es esencialmente una prueba de bondad de ajuste y compara los datos observados con los cuantiles de la distribución normal (u otra especificada). La hipótesis nula para cada prueba es H0: los datos siguen una distribución normal versus H1: los datos no siguen una distribución normal. Si la prueba es estadísticamente significativa (por ejemplo, p <0.05), entonces los datos no siguen una distribución normal y se justifica una prueba no paramétrica. Cabe señalar que estas pruebas de normalidad pueden estar sujetas a baja potencia. Específicamente, las pruebas pueden no rechazar H0: los datos siguen una distribución normal cuando en realidad los datos no siguen una distribución normal. La baja potencia es un problema importante cuando el tamaño de la muestra es pequeño, lo que desafortunadamente es a menudo cuando deseamos emplear estas pruebas. El enfoque más práctico para evaluar la normalidad implica investigar la forma de distribución del resultado en la muestra utilizando un histograma y aumentar los datos de otros estudios, si están disponibles, eso puede indicar la distribución probable del resultado en la población.
Hay algunas situaciones en las que está claro que el resultado no sigue una distribución normal. Estos incluyen situaciones:
- Cuando el resultado es una variable ordinal o un rango,
- Cuando hay valores atípicos definidos o
- Cuando el resultado tiene límites claros de detección.
Considere un ensayo clínico en el que se pide a los participantes del estudio que califiquen su gravedad de los síntomas después de 6 semanas en el tratamiento asignado. La gravedad de los síntomas puede medirse en una escala ordinal de 5 puntos con opciones de respuesta: los síntomas empeoraron mucho, ligeramente peor, sin cambios, ligeramente mejorados o mucho mejorados. Suponga que hay un total de n = 20 participantes en el ensayo, aleatorizados a un tratamiento experimental o placebo, y los datos de resultados se distribuyen como se muestra en la figura a continuación.
¿Cuáles son las pruebas no paramétricas más usadas?
¿Qué son las estadísticas no paramétricas? ¿Cuáles son las cinco pruebas no paramétricas de uso común y cuándo las usas? Este artículo proporciona respuestas a estas preguntas y enlaces a estudios publicados que utilizan pruebas no paramétricas.
Las estadísticas no paramétricas ofrecen soluciones alternativas al análisis de datos en muchas situaciones donde las estadísticas paramétricas no son aplicables. Como se señaló anteriormente en mi publicación anterior sobre pruebas no paramétricas, la consideración principal es cuando la distribución de datos no es normal. Su uso también está justificado en los momentos en que no conoce o tiene dificultades para conocer la distribución de la población. Puede inferir de manera segura de los datos sin conocer la distribución subyacente.
Si se aplican pruebas paramétricas para analizar datos de muestreo que normalmente no se distribuyen o se aproximan a una curva en forma de campana, se produce conclusiones erróneas. Una vez que contribuya con los hallazgos basados en el uso inapropiado de pruebas paramétricas, engañará a otros investigadores que citarán involuntariamente su artículo como base.
Las estadísticas no paramétricas se refieren a técnicas estadísticas que no dependen de los datos que pertenecen a una distribución particular, si estos datos se distribuyen normalmente o no. Es por eso que se llaman métodos sin distribución.
Analiza la mediana, no la media, al descubrir diferencias o correlaciones entre las muestras de población. En distribuciones no normales, la media es una mejor aproximación del «centro» o representante de la distribución de la muestra.
Artículos Relacionados:
