Ei-parametriset tilastot ovat menetelmä, joka tekee tilastolliset päätelmät ottamatta huomioon mitään taustalla olevaa jakaumaa. Menetelmä sopii normaalijakaumaan ilman oletuksia. Tavallisesti lähestymistapa käyttää dataa, joka on usein järjestysnumero Järjestysdata Tilastoissa järjestysdata on tietotyyppi, jossa arvot seuraavat luonnollista järjestystä. Yksi järjestysdatan merkittävimmistä piirteistä on se, että se perustuu rankingiin eikä numeroihin.
Ei-parametriset tilastot voidaan verrata parametrisiin tilastoihin. Jälkimmäinen lähestymistapa tekee selkeät oletukset havaitun tiedon jakautumisesta ja arvioi jakauman parametrit samojen tietojen avulla.
Yhteenveto
- Ei-parametriset tilastot ovat menetelmä, joka jättää kaikki taustalla olevat jakaumat huomiotta tehdessään tilastollisia päätelmiä.
- Ei-parametrisilla tilastomenetelmillä pyritään löytämään havaittujen tietojen tuntematon taustajakauma sekä tekemään tilastollinen johtopäätös taustalla olevan jakauman puuttuessa.
- Tutkijoita kehotetaan ottamaan huomioon ei-parametristen tilastojen heikkoudet, vahvuudet ja mahdolliset sudenkuopat.
Parametristen tilastojen ymmärtäminen
Tarkastellaan tietoja, joiden parametrit ovat tuntemattomia µ (keskiarvo) ja σ2 (varianssi). Vaikka parametrisissa tilastoissa oletetaan, että tiedot on saatu normaalijakaumasta, normaalijakaumasta Normaalijakaumaan viitataan myös nimellä Gaussin tai Gaussin jakauma. Tämän tyyppistä jakelua käytetään laajalti luonnontieteissä ja yhteiskuntatieteissä. Ei-parametrinen tilasto ei oleta, että tiedot ovat normaalisti hajautettuja tai kvantitatiivisia. Tältä osin ei-parametriset tilastot arvioisivat itse jakauman muodon sen sijaan, että arvioisivat yksilön µ ja σ2.
Toisaalta parametrisissa tilastoissa käytettäisiin otoskeskiarvoa ja otoksen keskihajontaa arvioimaan vastaavasti µ ja σ2. Ei-parametristen tilastojen mallirakenne johtuu havaituista tiedoista toisin kuin määritelty priori. Termi ei-parametri itsessään tarkoittaa, että parametrien lukumäärä ja luonne ovat joustavia eikä sitä, että parametreista puuttuisi kokonaan.
Ei-parametristen tilastojen tyypit
Ei-parametreja tilastomenetelmiä on kahta päätyyppiä. Ensimmäisellä menetelmällä pyritään löytämään havaittujen tietojen tuntematon taustajakauma, kun taas toisella menetelmällä yritetään tehdä tilastollinen johtopäätös taustalla olevan jakauman huomiotta jättämisestä.
Ytimen menetelmät ja histogrammit Histogrammi Histogrammia käytetään tiivistämään erilliset tai jatkuvat tiedot. Toisin sanoen histogrammi tarjoaa visuaalisen tulkinnan numeerisista tiedoista näyttämällä tietopisteiden lukumäärän, jotka kuuluvat määritettyyn arvoalueeseen (nimeltään "lokerot"). Histogrammi on samanlainen kuin pystysuora pylväsdiagrammi. Histogrammia käytetään kuitenkin yleisesti arvioimaan parametrien arvot ensimmäisessä lähestymistavassa. Sitä vastoin jälkimmäinen menetelmä sisältää hypoteesien testaamisen ilman datan todellisia arvoja, mutta perustuu pikemminkin tietojen sijoitusjärjestykseen.
Ei-parametreja tilastotestejä on yleensä helpompi soveltaa kuin parametritilastoja, koska oletusta populaatioparametreista ei ole. Hypoteesitestauksen tavanomaisissa matemaattisissa menettelyissä ei oleteta todennäköisyysjakaumista - mukaan lukien jakauman t-testit, merkkitestit ja yhden populaation johtopäätökset.
Esimerkiksi kun testataan hypoteesia, jonka mukaan "mediaaneissa on eroja", kaksi satunnaismuuttujaa, X ja Y, määrittelevät kaksi jatkuvaa jakaumaa hypoteesin suorituspaikan välillä ja pariksi otetut näytteet vedetään. Sen lisäksi, että testillä on yleinen sovellettavuus, sillä ei myöskään ole muiden testien tilastollista voimaa, koska se toimii muutaman oletuksen nojalla.
Esimerkkejä ei-parametreista tilastoista
Oletetaan, että tutkija on kiinnostunut arvioimaan keltaisuudella syntyneiden vauvojen määrän Kalifornian osavaltiossa. Tietojoukko voidaan analysoida ottamalla näyte 5000 vauvasta. Arvio koko seuraavana vuonna syntyneiden keltaisuutta sairastavien lasten populaatiosta on johdettu mittaus.
Harkitse toisessa tapauksessa kahta eri tutkijoiden ryhmää. Heitä kiinnostaa tietää, liittyykö yleismarkkinointi vai kaupallinen markkinointi siihen, kuinka nopeasti yritys saavuttaa tuotemerkin asemoinnin. Olettaen, että otoskoko valitaan satunnaisesti, sen jakautuminen suhteessa siihen, kuinka nopeasti yritys toteuttaa tuotemerkin asemoinnin Markkinoiden paikannus Markkinoinnin paikannus viittaa kykyyn vaikuttaa kuluttajien käsitykseen brändistä tai tuotteesta suhteessa kilpailijoihin. Markkinoiden tavoitteen voidaan olettaa olevan normaali. Kokeilun, jossa mitataan yrityksen strategiset tavoitteet markkinoiden dynamiikan torjumiseksi (joka määrittää myös tuotemerkin asemoinnin), ei voida olettaa ottavan normaalia jakelua.
Ilmiön taustalla on, että satunnaisesti valitut tiedot voivat sisältää tekijöitä, kuten markkinoiden dynamiikkaa. Toisessa ääripäässä, jos tekijät, kuten markkinasegmentti ja kilpailu, pelaavat, yrityksen strategiset tavoitteet eivät todennäköisesti vaikuta otoksen kokoon. Tällainen lähestymistapa on tehokas, kun tiedoista puuttuu selkeä numeerinen tulkinta.
Esimerkiksi testit siitä, haluavatko asiakkaat mieluummin tietyn tuotteen sen ravintoarvon vuoksi, voivat sisältää sen mittareiden luokittelun, joka on täysin samaa mieltä, samaa mieltä, välinpitämätön, eri mieltä ja täysin eri mieltä. Tällaisessa tilanteessa ei-parametrinen menetelmä on kätevä.
Tärkeimmät takeaways
Ei-parametristen tilastolähestymistapojen käyttö tutkimuksessa edellyttää huolellisuutta sen heikkouksissa, vahvuuksissa ja mahdollisissa kuoppissa. On totta, että tiedonjakelulle, jolla on liikaa kurtoosia tai vinoutta; Rank-pohjaiset ei-parametriset testit osoittautuvat tehokkaammiksi kuin parametritestit.
Silti kaikki tapaukset, joissa, jos parametriset oletukset eivät täyty, hyväksymme ei-parametriset tilastot korvaaviksi menetelmiksi aikaisempien tilastojen suhteellisen alhaisen luotettavuusasteen vuoksi.
Ei-parametriset tilastot arvostetaan, koska niitä voidaan käyttää helposti. Tiedot soveltuvat paremmin erilaisiin testeihin, koska parametrit eivät ole pakollisia. Vielä tärkeämpää on, että tilastoja voidaan käyttää ilman tärkeitä tietoja, kuten keskiarvo, keskihajonta tai otoskoko. Ominaisuuksien ansiosta ei-parametrisilla tilastoilla on laajempi soveltamisala parametrisiin tilastoihin verrattuna.
Lisäresurssit
Rahoitus on maailmanlaajuisen Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ -sertifikaatin virallinen toimittaja Certified Banking & Credit Analyst (CBCA) ™ -sertifikaatti on maailmanlaajuinen luottotietojen analyytikoiden standardi, joka kattaa rahoituksen, kirjanpidon, luottotiedot, kassavirta-analyysit , kovenanttimallinnus, lainojen takaisinmaksut ja paljon muuta. sertifiointiohjelma, joka on suunniteltu auttamaan kaikkia tulemaan maailmanluokan rahoitusanalyytikoiksi. Voit jatkaa urasi etenemistä alla olevista lisärahoitusresursseista:
- Rahoituksen perustilastokäsitteet Rahoituksen perustilastokäsitteet Tilastojen vahva tuntemus on ratkaisevan tärkeää, jotta voimme paremmin ymmärtää taloutta. Lisäksi tilastokonseptit voivat auttaa sijoittajia seuraamaan
- Hypoteesitestaus Hypoteesitestaus Hypoteesitestaus on menetelmä tilastolliseen päättelyyn. Sitä käytetään testaamaan, onko väestöparametriä koskeva väite oikea. Hypoteesin testaus
- Nimelliset tiedot Nimelliset tiedot Tilastoissa nimelliset tiedot (tunnetaan myös nimellä nimellinen asteikko) ovat tietotyyppejä, joita käytetään muuttujien merkitsemiseen antamatta määrällistä arvoa
- Ei-parametriset testit Ei-parametrit testit Tilastossa ei-parametrit testit ovat tilastollisen analyysin menetelmiä, jotka eivät vaadi jakaumaa täyttääkseen vaadittavat analysoitavat oletukset
