Neparametrická statistika je odvětví statistické inference, jehož výpočty a postupy jsou založeny na neznámých distribucích.
Neparametrické statistiky nejsou příliš populární. Existuje však o tom velmi rozsáhlá literatura. Problémem, který chce neparametrická statistika vyřešit, je nedostatek znalostí o rozdělení pravděpodobnosti.
Jinými slovy, neparametrické statistiky se snaží zjistit povahu náhodné proměnné. Jakmile víte, jak se chová, proveďte výpočty a metriky, které to charakterizují.
To je cílem neparametrické statistiky. Níže to vidíme podrobněji.
Cíl neparametrických statistik
Parametrické statistiky fungují na různých typech rozdělení pravděpodobnosti. Nyní, když nevíme, jakému typu rozdělení pravděpodobnosti proměnná odpovídá, jaké výpočty použijeme?
To znamená, že když neznáme rozdělení pravděpodobnosti souboru dat, musíme provést statistické závěry pomocí neparametrických postupů.
Jinými slovy, pokud nevíme, jaký druh rozdělení pravděpodobnosti má jev, nemůžeme dělat odhady, jako bychom skutečně věděli, jak je distribuován. To je cílem parametrické statistiky, abychom nám umožnili znát distribuci, abychom mohli přejít k dalšímu kroku (parametrická statistika).
Neparametrické testy
Samozřejmě, pokud nevíme, jak je náhodný jev distribuován, co bychom měli dělat? Velmi snadné. Naším úkolem bude pokusit se zjistit, jak je distribuován. Abychom se pokusili zjistit, jaký typ distribuce má určitý jev, máme k dispozici řadu testů, které nám to pomohou. Mezi nejoblíbenější neparametrické testy patří:
- Binomický test
- Anderson-Darlingův test
- Cochranův test
- Cohenův kappa test
- Fisherův test
- Friedmanova zkouška
- Kendallův test
- Kolmogórov-Smirnovův test
- Kuiperův test
- Mann-Whitneyho test nebo Wilcoxonův test
- McNemarův test
- Střední test
- Test Siegel-Tukey
- Známky test
- Spearmanův korelační koeficient
- Křížové tabulky
- Wald-Wolfowitzův test
- Wilcoxon podepsal zkoušku hodnosti
Všechny tyto testy nám mají říci, zda je náhodná proměnná distribuována tak či onak. Možným výsledkem může být například: náhodná proměnná X je distribuována rychlostí normálního rozdělení.
Všechno, co bylo řečeno, výsledky nejsou neomylné. Abychom mohli provést neparametrické testy, musíme mít statistické vzorky. Výsledky proto mohou být spolehlivé, ale nemusí být stoprocentně dokonalé.