Método no paramétrico

¿Cuál es el método no paramétrico??

El método no paramétrico se refiere a un tipo de estadística que no hace suposiciones sobre las características de la muestra (sus parámetros) o si los datos observados son cuantitativos o cualitativos.

Las estadísticas no paramétricas pueden incluir ciertas estadísticas descriptivas, modelos estadísticos, inferencias y pruebas estadísticas. La estructura del modelo de métodos no paramétricos no está especificada & amp; amp; nbsp; a priori & amp; amp; nbsp; pero en cambio se determina a partir de los datos.

El término & amp; amp; nbsp; & amp; quot; no paramétrico & amp; quot; & amp; amp; nbsp; no pretende implicar que dichos modelos carecen por completo de parámetros, sino que el número y la naturaleza de los parámetros son flexibles y no se fijan de antemano. Un histograma es un ejemplo de una estimación no paramétrica de una distribución de probabilidad.

En contraste, métodos estadísticos bien conocidos como ANOVA, Pearson y amp; la correlación de los apostos, la prueba t y otros hacen suposiciones sobre los datos que se analizan. Uno de los supuestos paramétricos más comunes es que los datos de población tienen una distribución normal.& amp; quot;

Llave para llevar

  • El método no paramétrico es una rama de estadísticas en la que no se supone que los datos provengan de modelos prescritos que están determinados por un pequeño número de parámetros.
  • El análisis no paramétrico a menudo es el más adecuado cuando se considera el orden de algo, donde incluso si los datos numéricos cambian, los resultados probablemente se mantendrán igual.
  • Esto contrasta con los métodos paramétricos, que hacen suposiciones sobre la forma o las características de los datos. Ejemplos de tales métodos incluyen el modelo de distribución normal y el modelo de regresión lineal.& amp; amp; nbsp;

Cómo funciona el método no paramétrico

Los métodos paramétricos y no paramétricos a menudo se usan en diferentes tipos de datos. Las estadísticas paramétricas generalmente requieren datos de intervalo o relación. Un ejemplo de este tipo de datos es la edad, el ingreso, la altura y el peso en los que los valores son continuos y los intervalos entre valores tienen significado.

En contraste, las estadísticas no paramétricas se usan típicamente en datos nominales u ordinales. Las variables nominales son variables para las cuales los valores no tienen valor cuantitativo. Las variables nominales comunes en la investigación en ciencias sociales, por ejemplo, incluyen el sexo, cuyos valores posibles son categorías discretas, & amp; quot; male & amp; quot; y & amp; quot; femenino.& amp; quot; & amp; apos; Otras variables nominales comunes en la investigación en ciencias sociales son la raza, el estado civil, el nivel educativo y el estado laboral (empleado versus desempleado).

Las variables ordinales son aquellas en las que el valor sugiere algún orden. Un ejemplo de una variable ordinal sería si un encuestado preguntara, & amp; quot; En una escala de 1 a 5, con 1 extremadamente insatisfecho y 5 extremadamente satisfecho, ¿cómo calificaría su experiencia con la compañía de cable??& amp; quot;

Sin embargo, las estadísticas paramétricas también pueden aplicarse a poblaciones con otros tipos de distribución conocidos. Las estadísticas no paramétricas no requieren que los datos de la población cumplan con los supuestos requeridos para las estadísticas paramétricas. Las estadísticas no paramétricas, por lo tanto, entran en una categoría de estadísticas a veces denominadas libres de distribución. A menudo, se utilizarán métodos no paramétricos cuando los datos de la población tengan una distribución desconocida o cuando el tamaño de la muestra sea pequeño.

Consideraciones especiales

Aunque las estadísticas no paramétricas tienen la ventaja de tener que cumplir con pocos supuestos, son menos poderosas que las estadísticas paramétricas. Esto significa que pueden no mostrar una relación entre dos variables cuando de hecho existe una.

Las estadísticas no paramétricas han ganado apreciación debido a su facilidad de uso. A medida que se alivia la necesidad de parámetros, los datos se vuelven más aplicables a una mayor variedad de pruebas. Este tipo de estadísticas se puede usar sin la media, el tamaño de la muestra, la desviación estándar o la estimación de cualquier otro parámetro relacionado cuando no hay ninguna de esa información disponible.

Dado que las estadísticas no paramétricas hacen menos suposiciones sobre los datos de la muestra, su aplicación tiene un alcance más amplio que las estadísticas paramétricas. En los casos en que las pruebas paramétricas sean más apropiadas, los métodos no paramétricos serán menos eficientes. Esto se debe a que las estadísticas no paramétricas descartan cierta información disponible en los datos, & amp; amp; nbsp; a diferencia de las estadísticas paramétricas.

& lt; h3 / & gt ;

Las pruebas no paramétricas comunes incluyen Chi-Square, prueba de suma de rango de Wilcoxon, prueba de Kruskal-Wallis y correlación de orden de rango de Spearman & amp; apos;.

Ejemplos del método no paramétrico

Considere un analista financiero que desee estimar el valor en riesgo (VaR) de una inversión. El analista recopila datos de ganancias de cientos de inversiones similares en un horizonte temporal similar. En lugar de suponer que las ganancias siguen una distribución normal, ella usa el histograma para estimar la distribución de manera no paramétrica. El quinto percentil de este histograma proporciona al analista una estimación no paramétrica de VaR.

Para un segundo ejemplo, considere un investigador diferente que quiera saber si las horas promedio de sueño están relacionadas con la frecuencia con la que uno se enferma. Debido a que muchas personas se enferman raramente, si es que lo hacen, y ocasionalmente otras se enferman con mucha más frecuencia que la mayoría de las demás, la distribución de la frecuencia de la enfermedad es claramente no normal, ya que es sesgada y propensa a los valores atípicos.

Por lo tanto, en lugar de utilizar un método que asume una distribución normal para la frecuencia de la enfermedad, como se hace en el análisis de regresión clásico, por ejemplo, el investigador decide utilizar un método no paramétrico, como el análisis de regresión cuantil.

Latest stories

You might also like...