eiparametrisillä

Ei-parametriset (ei-parametrisillä) menetelmät ovat tilastotieteen ja datatieteen menetelmiä, jotka eivät tee tiukkoja oletuksia populaation jakaumasta tai sen parametrien muodosta. Sen sijaan ne voivat toimia riittävän yleisesti esimerkiksi jakaumattomien tai järjestysperusteisten (ordinal) mittausten kanssa ja painottaa sijainteja, rang-tilan tai pistemäisen kuvan sijaan.

Tyypillisesti ei-parametriset menetelmät rajaavat oletuksiaan pääasiassa jakauman muodosta ja mitta-asteikosta. Esimerkkejä ovat rangiperusteiset testit kuten Mann–Whitney U -testi, Wilcoxonin testi, Kruskal–Wallis -testi sekä korrelaatiotestit kuten Spearmanin rho ja Kendallin tau. Lisäksi ei-parametrisiä lähestymistapoja ovat permutation- ja bootstrap-menetelmät sekä ei-parametrinen estimaatio, kuten kernel-density estimation (KDE) ja ei-parametrinen regressio (esimerkiksi Nadaraya–Watsonin kerneliregressio ja LOESS).

Käytössä ei-parametrisillä menetelmillä on useita etuja: ne ovat joustavia, eivät vaadi normaalijakauman kaltaisia oletuksia ja voivat olla kestäviä poikkeavista arvoista. Ne soveltuvat erityisesti pienille otoksille, ordinalseille mitta-asteikoille sekä silloin, kun varianssien eroja tai jakauman muotoa ei voida varmuudella olettaa. Rajoituksena on usein pienempi tehokkuus verrattuna hyvin oikeisiin parametrisisiin malleihin sekä suurempi laskennallinen tarve joissakin menetelmissä.

Ne ovat keskeisiä välineitä tilanteissa, joissa data eivät täytä parametrisille menetelmille asetettuja ehtoja, ja ne tarjoavat vaihtoehdon perinteisille mallinnusmenetelmille.