Neparametrické

Neparametrické statistické metody jsou souborem postupů, které nevyžadují předpoklad o konkrétní parametrické formě rozdělení populace. Místo odhadu parametrů podle přesného modelu se opírají o pořadí dat, rangy a často i o techniky resamplingu.

Charakteristickým rysem je, že bývají distribučně volné a méně závislé na specifickém tvaru rozdělení. To je činí vhodnými pro ordinální data, data s výraznými odchylkami od normality a pro malé vzorky.

Mezi nejznámější neparametrické testy patří Mann–Whitneyho test, Wilcoxonův rang-sum test (pro dva nezávislé soubory), Wilcoxonův párový test a Kruskal–Wallisův test. Základem jsou i korelační míry založené na pořadí, jako Spearmanův rho a Kendallův tau. Dále se používají sign testy, testy běhů a resamplingové přístupy, například bootstrap a permutace.

V regresi a odhadu funkce existují neparametrické metody, například kernelová regrese (Nadaraya–Watson), lokální polynomická regrese, splineové metody a monotónní regrese. Umožňují modelovat vztahy bez předpokladu konkrétního tvaru funkce.

Výhody a omezení: neparametrické metody bývají robustnější a méně citlivé na odchylky od předpokládaného rozdělení; jsou vhodné pro ordinalní data. Nevýhodou bývá nižší statistická účinnost ve srovnání s parametricními metodami, zvláště když platí správný model, a interpretace velikosti efektu bývá obtížnější. Některé metody vyžadují větší vzorky a mohou být výpočetně náročné, zejména při resamplingu.