Atšķirība starp parametrisko un neparametrisko

Sociālie pētnieki bieži izveido hipotēzi, kurā viņi pieņem, ka iedzīvotājiem var piemērot noteiktu vispārinātu noteikumu. Viņi pārbauda šo hipotēzi, izmantojot testus, kas var būt gan parametriski, gan neparametriski. Parametriskie testi parasti ir biežāki un tiek pētīti daudz agrāk kā standarta testi, ko izmanto, veicot pētījumu.

Pētījuma veikšanas process ir samērā vienkāršs - jūs izveidojat hipotēzi un pieņemat, ka iedzīvotājiem var piemērot noteiktu “likumu”. Pēc tam jūs veicat pārbaudi un apkopojat datus, kurus pēc tam statistiski analizējat. Apkopotos datus parasti var attēlot kā diagrammu, un hipotētisko likumu kā šo datu vidējo vērtību. Ja hipotēzes un vidējās vērtības likums sakrīt, hipotēze tiek apstiprināta.

Tomēr dažos gadījumos vidējās vērtības atrašana nav vispiemērotākais veids, kā meklēt likumu. Lielisks piemērs ir kopējo ienākumu sadale. Ja neesat saskaņojis vidējo vērtību, iespējams, tas ir tāpēc, ka viens vai divi miljardieri traucē jūsu vidējām vērtībām. Tomēr mediāna sniegs daudz precīzāku rezultātu par vidējiem ienākumiem, kas vairāk atbilst jūsu datiem.

Citiem vārdiem sakot, parametru testu izmantos, ja pieņēmumi par populāciju ir skaidri un par to ir daudz pieejama informācija. Jautājumi tiks izstrādāti, lai izmērītu šos īpašos parametrus, lai datus pēc tam varētu analizēt, kā aprakstīts iepriekš. Neparametrisku testu izmanto, ja pārbaudītā populācija nav pilnībā zināma, un tāpēc arī pārbaudītie parametri nav zināmi. Turklāt, lai gan parametriskā testa rezultātos izmanto vidējās vērtības, neparametriskajam testam ir mediāna, un tāpēc to parasti izmanto, ja sākotnējā hipotēze neatbilst datiem.

Kas ir parametriskais tests?

Parametriskais tests ir tests, kas paredzēts, lai nodrošinātu datus, kas pēc tam tiks analizēti zinātnes nozarē, ko sauc par parametrisko statistiku. Parametriskā statistika paredz, ka zināma informācija par populāciju jau ir zināma, proti, varbūtības sadalījums. Kā piemēru ķermeņa augstuma sadalījumu visā pasaulē apraksta parastais sadalījuma modelis. Līdzīgi kā datu kopai var izmantot jebkuru zināmu izplatīšanas modeli. Tomēr, pieņemot, ka noteikts izplatīšanas modelis ir piemērots datu kopai, tas nozīmē, ka jūs parasti domājat, ka par kopumu ir zināma kāda papildu informācija, kā jau minēju. Varbūtības sadalījumā ir dažādi parametri, kas raksturo precīzu sadalījuma formu. Šie parametri ir tie, ko nodrošina parametriskie testi - katrs jautājums ir pielāgots tā, lai katram intervētajam indivīdam būtu precīza noteikta parametra vērtība. Apvienojot, varbūtības sadalījumam tiek izmantota šī parametra vidējā vērtība. Tas nozīmē, ka parametriskie testi arī pieņem kaut ko par populāciju. Ja pieņēmumi ir pareizi, parametriskā statistika, ko piemēro parametriskā testa sniegtajiem datiem, sniegs daudz precīzākus un precīzākus rezultātus nekā neparametrisks tests un statistika.

Kas ir neparametrisks tests?

Līdzīgi kā parametru pārbaude un statistika, pastāv arī neparametrisks tests un statistika. Tos izmanto gadījumos, kad iegūtie dati, domājams, neatbilst normālajai sadalījuma līknei vai kārtējiem datiem. Lielisks parasto datu piemērs ir pārskats, kuru pametat, novērtējot noteiktu produktu vai pakalpojumu skalā no 1 līdz 5. Parastie dati parasti tiek iegūti no testiem, kuros izmantots atšķirīgs vērtējums vai secība. Tāpēc tā nepaļaujas uz skaitļiem vai precīzām parametru vērtībām, uz kurām paļāvās parametriskie testi. Faktiski tas nekādā veidā neizmanto parametrus, jo tas neuzņemas noteiktu sadalījumu. Parasti parametriskai analīzei tiek dota priekšroka nevis parametriskai, bet, ja parametrisko testu nevar veikt nezināmas populācijas dēļ, ir jāizmanto neparametriskie testi..

Atšķirība starp parametriskajiem un neparametriskajiem testiem

1) Pieņēmumu izdarīšana

Kā jau minēju, parametriskais tests ļauj izdarīt pieņēmumus par populāciju. Tam nepieciešami parametri, kas ir saistīti ar normālo sadalījumu, kas tiek izmantots analīzē, un vienīgais veids, kā zināt šos parametrus, ir kaut kādas zināšanas par populāciju. No otras puses, kā parametrs norāda parametrs, tas nepaļaujas uz parametriem un tāpēc neuzņemas neko par populāciju.

2) Parametriskā un neparametriskā varbūtība

Datu statistiskās analīzes pamats parametrisko testu gadījumā ir varbūtības sadalījums. No otras puses, neparametrisko testu pamats neeksistē - tas ir pilnīgi patvaļīgs. Tas rada lielāku elastību un atvieglo hipotēzes pielāgošanu savāktajiem datiem.

3) Centrālās tendences mērs

Centrālās tendences mērs ir centrālā vērtība varbūtības sadalījumā. Un, lai arī varbūtības sadalījums neparametriskas statistikas gadījumā ir patvaļīgs, tas joprojām pastāv, un tāpēc tas notiek arī ar centrālās tendences mērauklu. Tomēr šie pasākumi ir atšķirīgi. Parametrisku testu gadījumā to uzskata par vidējo vērtību, turpretī neparametrisku testu gadījumā par vidējo vērtību.

4) zināšanas par iedzīvotāju parametriem

Kā jau minēju pirmajā atšķirībā, informācija par populāciju atšķiras starp parametriskiem un neparametriskiem testiem un statistiku. Proti, noteiktas zināšanas par populāciju ir absolūti nepieciešamas parametriskai analīzei, jo, lai iegūtu precīzus rezultātus, nepieciešami ar populāciju saistīti parametri. No otras puses, neparametrisku pieeju var izmantot bez iepriekšējām iedzīvotāju zināšanām.

Parametriski un neparametriski testi: salīdzināšanas tabula

Parametriskā un neparametriskā kopsavilkums

• Parametriskais tests ir tests, kurā tiek pieņemti daži parametri un sadalījums ir zināms par populāciju, pretēji neparametriskajam.
• Parametriskajā testā tiek izmantota vidējā vērtība, bet neparametriskajā - vidējā vērtība
• Parametriskai pieejai ir vajadzīgas iepriekšējas zināšanas par populāciju, pretēji neparametriskajai pieejai