nieparametrycznego

Nieparametryczny (nieparametryczny, w formie nieparametrycznego w liczbie pojedynczej rodzaju męskiego) odnosi się do podejść w statystyce i analizie danych, które nie zakładają określonej postaci rozkładu populacji ani modelu parametrycznego. Metody nieparametryczne są alternatywą dla klasycznych modeli parametrycznych i często stosuje się je, gdy dane nie spełniają założeń dotyczących normalności rozkładu, gdy próba jest mała lub gdy dane są porządkowe.

Główne obszary zastosowań obejmują testy nieparametryczne, szacowanie i regresję nieparametryczną. Do popularnych testów należą testy rangowe i porządkujące, takie jak test Wilcoxona, test Kruskala–Wallisa oraz testy monotoniczności korelacji (np. korelacja rangowa Spearmana). W regresji nieparametrycznej stosuje się techniki takie jak regresja jądrowa (kernel regression) i lokalna regresja wielomianowa, które nie narzucają stałych form funkcji zależności.

Zalety podejścia nieparametrycznego to mniejsza wrażliwość na błędy modelu, elastyczność wobec różnych kształtów rozkładów oraz możliwość pracy z danymi porządkowymi czy małymi próbami. Wadą bywa niższa efektywność statystyczna w porównaniu z odpowiednimi modelami parametrycznymi, gdy te ostatnie są prawdziwe, a także większe wymagania obliczeniowe i konieczność wyboru parametrów wygładzania lub sposobu estymacji.

Najczęściej stosuje się je w sytuacjach, gdy pewność co do rozkładu danych jest ograniczona, gdy dane są nieciągłe lub ordinalne, lub gdy celem jest minimalna liczba założeń dotyczących modelu. Zobacz także: metody parametryczne, testy nieparametryczne, bootstrap.