Método no paramétrico
¿Qué es el método no paramétrico?
El método no paramétrico se refiere a un tipo de estadÃstica que no hace suposiciones sobre las caracterÃsticas de la muestra (sus parámetros) o si los datos observados son cuantitativos o cualitativos.
Las estadÃsticas no paramétricas pueden incluir ciertas estadÃsticas descriptivas,. modelos estadÃsticos, inferencia y pruebas estadÃsticas. La estructura del modelo de los métodos no paramétricos no se especifica a priori, sino que se determina a partir de los datos.
El término "no paramétrico" no implica que dichos modelos carezcan por completo de parámetros, sino que el número y la naturaleza de los parámetros son flexibles y no están fijados de antemano. Un histograma es un ejemplo de una estimación no paramétrica de una distribución de probabilidad.
Por el contrario, los métodos estadÃsticos conocidos como ANOVA,. la correlación de Pearson,. la prueba t y otros hacen suposiciones sobre los datos que se analizan. Una de las suposiciones paramétricas más comunes es que los datos de población tienen una " distribución normal ".
Cómo funciona el método no paramétrico
Los métodos paramétricos y no paramétricos se utilizan a menudo en diferentes tipos de datos. Las estadÃsticas paramétricas generalmente requieren datos de intervalo o razón. Un ejemplo de este tipo de datos es la edad, los ingresos, la altura y el peso en los que los valores son continuos y los intervalos entre valores tienen significado.
Por el contrario, las estadÃsticas no paramétricas se utilizan normalmente en datos nominales u ordinales. Las variables nominales son variables para las cuales los valores no tienen valor cuantitativo. Las variables nominales comunes en la investigación en ciencias sociales, por ejemplo, incluyen el sexo, cuyos valores posibles son categorÃas discretas, "masculino" y "femenino". Otras variables nominales comunes en la investigación en ciencias sociales son la raza, el estado civil, el nivel educativo y la situación laboral. (empleados versus desempleados).
Las variables ordinales son aquellas en las que el valor sugiere algún orden. Un ejemplo de una variable ordinal serÃa si un encuestado preguntara: "En una escala del 1 al 5, siendo 1 extremadamente insatisfecho y 5 extremadamente satisfecho, ¿cómo calificarÃa su experiencia con la compañÃa de cable?"
las estadÃsticas paramétricas también pueden aplicarse a poblaciones con otros tipos de distribución conocidos. Las estadÃsticas no paramétricas no requieren que los datos de población cumplan con los supuestos requeridos para las estadÃsticas paramétricas. Las estadÃsticas no paramétricas, por lo tanto, entran en una categorÃa de estadÃsticas a las que a veces se hace referencia como sin distribución. A menudo, los métodos no paramétricos se utilizarán cuando los datos de la población tengan una distribución desconocida o cuando el tamaño de la muestra sea pequeño.
Consideraciones Especiales
Aunque las estadÃsticas no paramétricas tienen la ventaja de tener que cumplir con pocas suposiciones, son menos poderosas que las estadÃsticas paramétricas. Esto significa que pueden no mostrar una relación entre dos variables cuando en realidad existe una.
Las estadÃsticas no paramétricas han ganado reconocimiento debido a su facilidad de uso. A medida que se elimina la necesidad de parámetros, los datos se vuelven más aplicables a una mayor variedad de pruebas. Este tipo de estadÃstica se puede utilizar sin la media, el tamaño de la muestra, la desviación estándar o la estimación de cualquier otro parámetro relacionado cuando no se dispone de esa información.
Dado que las estadÃsticas no paramétricas hacen menos suposiciones sobre los datos de muestra, su aplicación tiene un alcance más amplio que las estadÃsticas paramétricas. En los casos en que las pruebas paramétricas sean más apropiadas, los métodos no paramétricos serán menos eficientes. Esto se debe a que las estadÃsticas no paramétricas descartan parte de la información que está disponible en los datos, a diferencia de las estadÃsticas paramétricas.
Las pruebas no paramétricas comunes incluyen chi-cuadrado,. prueba de suma de rangos de Wilcoxon, prueba de Kruskal-Wallis y correlación de orden de rango de Spearman.
Ejemplos del método no paramétrico
Considere a un analista financiero que desea estimar el valor en riesgo (VaR) de una inversión. El analista recopila datos de ganancias de cientos de inversiones similares durante un horizonte de tiempo similar. En lugar de suponer que las ganancias siguen una distribución normal, utiliza el histograma para estimar la distribución de forma no paramétrica. El percentil 5 de este histograma proporciona al analista una estimación no paramétrica del VaR.
Para un segundo ejemplo, considere a un investigador diferente que quiere saber si las horas promedio de sueño están relacionadas con la frecuencia con la que uno se enferma. Debido a que muchas personas rara vez se enferman, si es que lo hacen, y ocasionalmente otras se enferman con mucha más frecuencia que la mayorÃa, la distribución de la frecuencia de la enfermedad claramente no es normal, está sesgada hacia la derecha y es propensa a valores atÃpicos.
Por lo tanto, en lugar de utilizar un método que supone una distribución normal para la frecuencia de la enfermedad, como se hace en el análisis de regresión clásico, por ejemplo, el investigador decide utilizar un método no paramétrico como el análisis de regresión por cuantiles.
Reflejos
Esto contrasta con los métodos paramétricos, que hacen suposiciones sobre la forma o las caracterÃsticas de los datos. Ejemplos de tales métodos incluyen el modelo de distribución normal y el modelo de regresión lineal.
El método no paramétrico es una rama de la estadÃstica en la que no se supone que los datos provengan de modelos prescritos que están determinados por un pequeño número de parámetros.
El análisis no paramétrico suele ser más adecuado cuando se considera el orden de algo, donde incluso si los datos numéricos cambian, los resultados probablemente permanecerán iguales.
