Како функционише непараметарска статистика
Шта су непараметријске статистике?
Непараметарска статистика се односи на статистичку методу у којој се не претпоставља да подаци потичу из прописаних модела који су одређени малим бројем параметара; примери таквих модела укључују модел нормалне дистрибуције и модел линеарне регресије. Непараметарска статистика понекад користи редовне податке, што значи да се не ослања на бројеве, већ на рангирање или редослед. На пример, анкета која преноси преференције потрошача у распону од оних до оних које не воле сматрала би се обичним подацима.
Непараметарска статистика укључује непараметарске дескриптивна статистика, статистички модели, закључивање и статистички тестови. Структура модела непараметарских модела није наведена априори али се уместо тога одређује из података. Термин непараметарски не значи да таквим моделима у потпуности недостају параметри, већ да су број и природа параметара флексибилни и да нису унапред фиксирани. Хистограм је пример непараметарске процене расподеле вероватноће.
Кључне Такеаваис
- Непараметарске статистике су једноставне за употребу, али не нуде тачност других статистичких модела.
- Ова врста анализе често је најпогоднија за разматрање редоследа нечега, где ће чак и ако се бројчани подаци промене резултати вероватно остати исти.
Разумевање непараметарске статистике
У статистици параметарска статистика укључује параметре као што су средња вредност, стандардна девијација, Пеарсонова корелација, варијанса итд. Овај облик статистике користи посматране податке за процену параметара дистрибуције. Према параметарским статистикама, често се претпоставља да подаци долазе из нормалне дистрибуције са непознатим параметрима μ (просечна популација) и σ2 (варијација популације), које се затим процењују помоћу просечне вредности узорка и узорка променљив.
Непараметријске статистике не претпостављају величину узорка нити да ли су посматрани подаци квантитативни.
Непараметарска статистика не претпоставља да су подаци узети из нормалне дистрибуције. Уместо тога, облик дистрибуције се процењује према овом облику статистичког мерења. Иако постоје многе ситуације у којима се може претпоставити нормална дистрибуција, постоје и неки сценарији у којима је прави процес генерисања података далеко од нормално дистрибуираног.
Примери непараметарске статистике
У првом примеру, размотрите финансијског аналитичара који жели да процени ризичну вредност (ВаР) инвестиције. Аналитичар прикупља податке о заради од 100 сличних инвестиција у сличном временском хоризонту. Уместо да претпостави да зарада следи нормалну расподелу, она користи хистограм за непараметарску процену расподеле. Пети перцентил овог хистограма затим даје аналитичару непараметарску процену ВаР.
За други пример, размислите о другом истраживачу који жели да зна да ли су просечни сати сна повезани са учесталошћу болести. Зато што се многи људи ретко, ако уопште, разболе, а повремено и други много чешће од већине други, дистрибуција учесталости болести је очигледно ненормална, искривљена је десно и вањски склони. Дакле, уместо да користите методу која претпоставља нормалну расподелу учесталости болести, као што је то учињено у класичној регресионом анализом, на пример, истраживач одлучује да користи непараметарску методу као што је квантилна регресија анализа.
Посебна разматрања
Непараметријске статистике су добиле на значају због своје једноставне употребе. Како се смањује потреба за параметрима, подаци постају примјењивији на већи број тестова. Ова врста статистике може се користити без средње вриједности, величине узорка, стандардне девијације или процјене било којих других повезаних параметара када ниједна од тих информација није доступна.
Будући да непараметарска статистика даје мање претпоставки о узорцима, њена примјена је ширег опсега од параметарске статистике. У случајевима када је параметарско испитивање прикладније, непараметарске методе ће бити мање ефикасне. То је зато што непараметарска статистика одбацује неке информације које су доступне у подацима, за разлику од параметарске статистике.