Eiparametrisissä

Eiparametrisissä viittaa tilastollisiin menetelmiin, jotka eivät vaadi tietyn parametrista jakaumaa populaatiolle. Näitä menetelmiä voidaan kutsua myös ei-parametrisiksi tai jakaumasta riippumattomiksi menetelmiksi. Ne korostavat järjestystä, merkkejä, rankkeja tai etäisyyksiä sen sijaan, että ne perustuivat tarkasti määriteltyihin parametreihin kuten keskiarvoon ja varianssiin.

Ominaisuudet ja käyttötarkoitus

Eiparametriset menetelmät sopivat erityisesti silloin, kun data ei noudata normaalijakaumaa, otoskoko on pieni, tai mitta-asteikko on ordinalinen. Ne ovat usein robustimpia poikkeaville arvoille ja ne soveltuvat epälineaarisiin suhteisiin sekä tilanteisiin, joissa mittaustarkkuus on rajoitettu. Toiminnan perusta on monesti rankkien tai merkkien analysointi, mikä mahdollistaa testien ja estimointien tekemisen ilman tiukkoja oletuksia.

Esimerkkejä menetelmistä

Tunnetuimpia ei-paramtetrisia testejä ovat Mann-Whitney U -testi ja Wilcoxonin kahden otoksen testi, Kruskal-Wallis -testi ja Friedmanin testi, sekä Spearmanin rho- ja Kendallen tau -korrelaatiot. Lisäksi permutation- ja bootstrap-menettelyt sekä joidenkin tulosten laskenta ei-parametrisilla lähestymistavoilla ovat yleisiä. Monissa käytännön sovelluksissa ei-parametrisille menetelmille annetaan usein suurempi rooli, kun mitta-asteikot ovat epätyypillisiä tai jakauma epävarma.

Hyödyt ja rajoitukset

Eiparametriset menetelmät tarjoavat joustavuutta ja vähemmän rajoitteita, mikä tekee niistä käyttökelpoisia monissa tilanteissa. Toisaalta ne voivat olla vähemmän tehokaita kuin parametrisessa tapauksessa, kun parametrit tunnettua jakaumaa vastaa oikea malli. Suuremmissa otoksissa testien teho voi lähestyä parametrisissa vastineissaan käytetyn tiedon määrää. Yleensä tulkinta keskittyy eron suuruuden sijasta sijoittumiseen tai relaatioden eroihin rankkien perusteella.