Statistik bukan parametrik adalah kaedah yang membuat inferens statistik tanpa memperhatikan sebaran yang mendasari. Kaedah ini sesuai dengan taburan normal tanpa andaian. Secara kebiasaan, pendekatan menggunakan data yang sering merupakan Ordinal Ordinal Data Dalam statistik, data ordinal adalah jenis data di mana nilainya mengikuti susunan semula jadi. Salah satu ciri data ordinal yang paling terkenal adalah kerana ia bergantung pada kedudukan dan bukan pada angka.
Statistik bukan parametrik dapat dibandingkan dengan statistik parametrik. Pendekatan terakhir membuat andaian eksplisit mengenai pengedaran data yang diperhatikan dan menganggarkan parameter pengedaran menggunakan data yang sama.
Ringkasan
- Statistik bukan parametrik adalah kaedah yang mengabaikan pengedaran yang mendasari ketika membuat inferens statistik.
- Kaedah statistik bukan parametrik bertujuan untuk mengetahui penyebaran data yang diperhatikan yang tidak diketahui, dan juga membuat kesimpulan statistik sekiranya tidak ada pengedaran yang mendasari.
- Para penyelidik disarankan untuk mempertimbangkan kelemahan, kekuatan, dan potensi perangkap statistik nonparametrik.
Memahami Statistik Bukan Parametrik
Pertimbangkan data dengan parameter yang tidak diketahui µ (min) dan σ2 (varians). Sementara statistik parametrik menganggap bahawa data diambil dari taburan normal Taburan normal Taburan normal juga disebut sebagai taburan Gaussian atau Gauss. Jenis pengedaran ini banyak digunakan dalam sains semula jadi dan sosial. Statistik nonparametrik tidak menganggap bahawa data diedarkan secara normal atau kuantitatif. Sehubungan itu, statistik non-parametrik akan menganggarkan bentuk taburan itu sendiri, bukannya mengira individu μ dan σ2.
Sebaliknya, statistik parametrik menggunakan min sampel dan sisihan piawai sampel untuk menganggarkan nilai µ dan σ2, masing-masing. Struktur model statistik bukan parametrik disimpulkan dari data yang diperhatikan, berbanding dengan priori yang ditentukan . Istilah nonparametrik itu sendiri menunjukkan bahawa bilangan dan sifat parameternya adalah fleksibel, dan bukan bahawa keseluruhannya tidak mempunyai parameter.
Jenis Statistik Bukan Parametrik
Terdapat dua jenis kaedah statistik nonparametrik utama. Kaedah pertama bertujuan untuk mengetahui sebaran pendasar data yang diperhatikan yang tidak diketahui, sementara kaedah kedua berusaha untuk membuat inferensi statistik dengan mengabaikan pengedaran yang mendasari.
Kaedah dan histogram Kernel Histogram Histogram digunakan untuk meringkaskan data diskrit atau berterusan. Dengan kata lain, histogram memberikan tafsiran visual data berangka dengan menunjukkan jumlah titik data yang berada dalam julat nilai yang ditentukan (disebut "tong"). Histogram serupa dengan graf bar menegak. Walau bagaimanapun, histogram, biasanya digunakan untuk memperkirakan nilai parameter dalam pendekatan pertama. Sebaliknya, kaedah yang terakhir melibatkan pengujian hipotesis tanpa nilai data yang sebenarnya melainkan berdasarkan susunan peringkat data.
Ujian statistik bukan parametrik cenderung lebih mudah diterapkan daripada statistik parametrik, memandangkan kurangnya andaian mengenai parameter populasi. Prosedur matematik standard untuk ujian hipotesis tidak membuat andaian mengenai taburan kebarangkalian - termasuk ujian t taburan, ujian tanda, dan inferensi populasi tunggal.
Sebagai contoh, ketika menguji hipotesis bahawa "terdapat perbezaan di median," dua pemboleh ubah rawak, X dan Y, menentukan dua taburan berterusan antara tempat hipotesis dilakukan, dan sampel berpasangan dilukis. Selain memiliki penerapan umum, ujian ini juga tidak memiliki kekuatan statistik ujian lain, mengingat ia berfungsi berdasarkan beberapa andaian.
Contoh Statistik Bukan Parametrik
Mari kita anggap bahawa seorang penyelidik berminat untuk menganggarkan jumlah bayi yang dilahirkan dengan penyakit kuning di negeri California. Analisis kumpulan data dapat dilakukan dengan mengambil sampel 5,000 bayi. Anggaran keseluruhan populasi bayi yang menghidap penyakit kuning yang lahir pada tahun berikutnya adalah ukuran yang diperoleh.
Untuk kes kedua, pertimbangkan dua kumpulan penyelidik yang berbeza. Mereka berminat untuk mengetahui sama ada pemasaran selimut atau pemasaran komersial berkaitan dengan seberapa pantas syarikat memperoleh kedudukan jenama. Dengan mengandaikan bahawa ukuran sampel dipilih secara rawak, sebarannya mengenai seberapa cepat syarikat menyedari kedudukan jenama Market Positioning Market Positioning merujuk kepada kemampuan untuk mempengaruhi persepsi pengguna mengenai jenama atau produk berbanding pesaing. Objektif pasaran dapat dianggap normal. Walaupun begitu, eksperimen yang mengukur matlamat strategik syarikat untuk menangani dinamika pasaran (yang juga menentukan kedudukan jenama) tidak boleh dianggap sebagai pengedaran normal.
Idea utama di sebalik fenomena tersebut adalah bahawa data yang dipilih secara rawak mungkin mengandungi faktor-faktor seperti dinamika pasaran. Sebaliknya, jika faktor seperti segmen pasaran dan persaingan berlaku, objektif strategik syarikat tidak akan mempengaruhi ukuran sampel. Pendekatan sedemikian berkesan apabila data tidak mempunyai interpretasi berangka yang jelas.
Sebagai contoh, ujian sama ada pelanggan lebih suka produk tertentu kerana nilai pemakanannya mungkin merangkumi kedudukan metriknya kerana sangat setuju, setuju, tidak peduli, tidak setuju, dan sangat tidak setuju. Dalam senario seperti itu, kaedah nonparametrik sangat berguna.
Pengambilan Utama
Menggunakan pendekatan statistik bukan parametrik dalam penyelidikan memerlukan usaha yang wajar terhadap kelemahan, kekuatan, dan perangkap yang berpotensi. Memang benar bahawa untuk pengedaran data mempunyai kurtosis berlebihan atau kecenderungan; ujian bukan parametrik berdasarkan peringkat ternyata lebih ampuh daripada ujian parametrik.
Walaupun begitu, tidak semua keadaan di mana, jika asumsi parametrik tidak dipenuhi, kami menggunakan statistik bukan parametrik sebagai kaedah pengganti kerana tahap keyakinan yang relatif rendah yang diperoleh dari statistik sebelumnya.
Statistik bukan parametrik dihargai kerana dapat diaplikasikan dengan mudah. Data menjadi lebih sesuai untuk pelbagai ujian kerana parameternya tidak wajib. Lebih penting lagi, statistik boleh digunakan tanpa adanya maklumat penting, seperti min, sisihan piawai, atau ukuran sampel. Ciri-ciri tersebut menjadikan statistik bukan parametrik mempunyai skop aplikasi yang lebih luas berbanding statistik parametrik.
Sumber tambahan
Kewangan adalah penyedia rasmi perakuan Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ Certified Banking & Credit Analyst (CBCA) ™ akreditasi adalah standard global untuk penganalisis kredit yang merangkumi kewangan, perakaunan, analisis kredit, analisis aliran tunai , pemodelan perjanjian, pembayaran pinjaman, dan banyak lagi. program pensijilan, yang direka untuk membantu sesiapa sahaja menjadi penganalisis kewangan bertaraf dunia. Untuk terus memajukan kerjaya anda, sumber Kewangan tambahan di bawah akan berguna:
- Konsep Statistik Asas dalam Kewangan Konsep Statistik Asas untuk Kewangan Pemahaman yang kukuh mengenai statistik sangat penting dalam membantu kita memahami kewangan dengan lebih baik. Lebih-lebih lagi, konsep statistik dapat membantu pemantau memantau
- Uji Hipotesis Uji Hipotesis Ujian Hipotesis adalah kaedah inferens statistik. Ia digunakan untuk menguji apakah pernyataan mengenai parameter populasi betul. Ujian hipotesis
- Data Nominal Data Nominal Dalam statistik, data nominal (juga dikenal sebagai skala nominal) adalah jenis data yang digunakan untuk melabel pemboleh ubah tanpa memberikan nilai kuantitatif
- Ujian Nonparametrik Ujian Non Parametrik Dalam statistik, ujian nonparametrik adalah kaedah analisis statistik yang tidak memerlukan sebaran untuk memenuhi andaian yang diperlukan untuk dianalisis
