O campo de estatísticas contém dois tipos de variáveis: dependentes e independentes. Da mesma forma, para concluir, os estatísticos usam vários tipos de testes, dos quais dois deles são testes paramétricos e não paramétricos. Essas são classificações extremamente amplas de diferentes procedimentos estatísticos usados no vasto mundo das aplicações estatísticas.
Paramétrico vs não paramétrico
A diferença entre esses dois testes é que um deles é dependente e o outro é independente até certo ponto de parâmetros como média, desvio padrão, variação e Teorema do Limite Central. Todos esses são parâmetros diferentes calculados com base nos dados disponíveis. Embora todo teste paramétrico tenha uma contraparte não paramétrica ou equivalente.
Os procedimentos estatísticos paramétricos são descritos como aqueles cujos resultados dependem da suposição da forma da distribuição dos dados (exemplo: distribuição normal) e sobre os parâmetros da distribuição assumida. Existem diferentes tipos de testes paramétricos, como o teste t, coeficiente de correlação de Pearson, teste t pareado e muitos mais.
Os procedimentos estatísticos não paramétricos são descritos como aqueles cujos resultados dependem de nenhuma ou poucas das suposições sobre a forma da distribuição dos dados ou sobre os parâmetros da distribuição assumida. Sua aplicação é mais flexível e robusta, pois não dependem de nenhum tipo de pressuposto ou condições pré-definidas para os dados.
Tabela de comparação entre paramétrico e não paramétrico
| Parâmetros de comparação | Paramétrico | Não paramétrico |
| Definição | O teste cujos resultados dependem da distribuição é chamado de teste paramétrico. | O teste cujos resultados não dependem da distribuição é chamado de teste não paramétrico. |
| Poder estatístico | Os testes paramétricos têm maior poder estatístico. | Os testes não paramétricos têm menor poder estatístico. |
| Versatilidade | Os testes paramétricos não são aplicáveis a todas as situações. | Os testes não paramétricos são mais robustos e podem ser aplicados a diferentes situações. |
| Valor de tendência central | O valor médio é o valor de tendência central para este teste. | O valor mediano é o valor de tendência central para este teste. |
| Tipo de distribuição | É usado em dados que seguem uma distribuição normal. | É usado em dados que seguem qualquer distribuição arbitrária. |
O que é teste paramétrico?
Um teste estatístico paramétrico assume os parâmetros da população e as distribuições dos dados de onde veio. O teste paramétrico é usado para dados quantitativos com variáveis contínuas. Os dados nos quais os testes paramétricos são usados são medidos na medição de escalas de razão e seguem uma distribuição normal.
Os testes paramétricos mais amplamente usados são o teste t (para tamanho de amostra menor que 30), teste Z (para tamanho de amostra maior que 30), ANOVA, Correlação de classificação de Pearson. O valor de tendência central que é levado em consideração é a média da distribuição e é principalmente aplicável a uma distribuição normal de dados. A desvantagem desse tipo de teste é que, como o valor da tendência central é a média, os dados são altamente propensos a serem afetados por outliers e, portanto, propensos a serem distorcidos, o que reduz o poder estatístico desse teste.
Distribuições contínuas como os dados sobre várias alturas ou pesos de uma espécie ao longo do tempo, dados sobre temperaturas são exemplos em que testes paramétricos são usados. Porém, devido às suposições sobre os dados, sua aplicação é um pouco menos versátil na vida real.
O que é teste não paramétrico?
Os testes não paramétricos são testes que não dependem de quaisquer suposições da distribuição de dados ou parâmetros para analisá-los. Eles também são chamados às vezes de “testes sem distribuição”. Não paramétrico não significa necessariamente que não sabemos nada sobre a população, significa que os dados são distorcidos ou "não distribuídos normalmente".
As razões pelas quais usamos testes não paramétricos são: se os dados não atendem às suposições para a amostra da população ou quando os dados são distorcidos, o tamanho da amostra da população é muito pequeno ou os dados sendo analisados são nominais ou ordinais. Os diferentes tipos de testes não paramétricos são o teste de sinal, teste de classificação sinalizada de Wilcoxon, teste de Kruskal-Wallis, teste de Mann-Whitney, correlação de classificação de Spearman, teste da mediana de Mood. O valor mediano é o valor de tendência central.
É mais flexível em aplicativos da vida real, pois os dados encontrados na vida real não são necessariamente distribuídos normalmente e são em sua maioria agrupados ou não lineares. Devido à sua simplicidade e natureza robusta, os testes não paramétricos são vistos como menos sujeitos ao uso impróprio e mal-entendidos. Eles são usados principalmente em populações que vêm em ordem de classificação, como classificações e críticas de filmes, colocação de classificações de restaurantes e assim por diante. Mas, para dados com grande tamanho de amostra, esses testes perdem muito de seu poder estatístico.
Principais diferenças entre teste paramétrico e não paramétrico
A principal diferença entre os testes paramétricos e não paramétricos é que os testes paramétricos dependem dos dados que seguem certas suposições ou condições, ao passo que os testes não paramétricos não precisam seguir essas suposições. Algumas das outras diferenças entre os dois testes são as seguintes:
Conclusão
Em conclusão, os testes paramétricos e não paramétricos são partes integrantes da análise de qualquer dado. Dependendo se ele é normalmente distribuído ou não, um teste paramétrico ou não paramétrico é usado. A escolha de qual teste realizar depende de que tipo de dados temos, qual é o tamanho da amostra e quanto conhecimento pré-requisito sobre a população que temos.
Dados com um grande tamanho de amostra requerem um teste paramétrico em vez de não paramétrico, pois são mais precisos. No caso de dados de tamanho de amostra pequeno, o teste não paramétrico é preferido. Nenhum teste é melhor do que o outro, pois ambos operam em situações diferentes. Como estatístico, você precisa ter em mente que um teste não paramétrico é uma alternativa a um teste paramétrico, não um substituto.
