آمار ناپارامتریک (مزیت ها و نقاط ضعف)

آمار ناپارامتریک چیست

آمار ناپارامتریک روش های آماری مختلف (آزمون t ،F، تجزیه واریانس و…) که برای تخمین پارامترهای جامعه و آزمون فرضیات مختلف بکار می روند تحت عنوان آمار پارامتری نامیده می شوند. این روشها و خصوصاً روش هایی که در مورد متغیرهای پیوسته و کمی ارائه گردیده اند در صورتی قابل استفاده هستند که فرضیاتی که بطور کلی توزیع فراوانی آنها را مشخص نمایند وجود داشته باشند. نرمال بودن توزیع متغیرها از جمله فرضیاتی هستند که در اکثر حالات توسط محققین تاکید شده است.

در مورد تعداد زیادی داده و مشاهده آماری توزیع فراوانی متغیرها به سهولت قابل تعریف و توصیف نیست. برای تجزیه آماری این داده ها باید از روش هایی که به یک توزیع فراوانی اولیه ی معلوم و مفروض وابستگی ندارند و یا به عبارتی روش های “توزیع آزاد” استفاده نمود. اگر ماهیت جامعه اولیه با توزیع فراوانی مشخص معلوم نگردد، ضرورت ندارد از پارامترها و روش های آمار پارامتری برای تخمین استفاده گردد، بلکه باید به جای مقایسه پارامترها از روش هایی برای مقایسه توزیع ها استفاده کرد که در اصطلاح به روش های غیرپارامتری و یا روش های بدون وابستگی به توزیع فراوانی (توزیع آزاد) معروف هستند.

مزیت های آمار غیرپارامتری
چون در اکثر موارد در روش های غیرپارامتری از رتبه و علامتِ (مثبت یا منفی بودن) تفاوت بین مشاهدات استفاده می شود کاربرد و یادگیری آن ها ساده است. به همین دلیل کار جمع آوری مشاهدات، آمار و اطلاعات کاهش می یابد. برای مثال می توان تعداد نقاط نشان دهنده یک بیماری باکتریایی را روی گیاه شمارش نمود و یا به میوه ها از نظر طعم و مزه امتیاز داده، نتایج را بررسی نمود. حتی در مواردی که مطالعه متغیری با توزیع نرمال مدنظر است، می توان به جای اندازه گیری های معمول، از طریق رتبه و امتیاز دادن به خصوصیات مختلف، تعداد مشاهدات را افزایش داده از روش غیرپارامتری استفاده نمود.

همچنین بیان موارد احتمالی در روش های غیرپارامتری دارای شرایط و فرضیات کمتری است.

همچنین ببینید :
فیلم آموزشی تحلیل واریانس یک طرفه در نرم افزار spss آنالیز
فیلم آموزشی تحلیل واریانس طرح بلوکی کامل تصادفی شده در نرم
تحلیل کواریانس و اندازه‌ گیریهای تکراری در نرم افزار آماری SPSS

نکات ضعف روش های غیر پارامتری
در مواردی که توزیع جامعه اولیه به یک توزیع استاندارد نزدیک است و یا وقتی نتوان از طریق تبدیل داده های آماری به داده های آماری جدید چنین حالتی را بوجود آورد، روش های غیرپارامتری نمی توانند کلیه نتایج و اطلاعات ممکن را ارائه دهند.

در مواردی که محقق از آزمایش های قبلی خود اطلاعاتی را در مورد میزان اشتباه در دست داشته باشد و نتایج اکثر آزمایش های گذشته وی نیز صحت فرض صفر را تأیید کرده باشند کاربرد روش های غیرپارامتری به خوبیِ روش های پارامتری است. به هر حال، در مواردی ک فرض صفر رد می شود هدف محقق پیدا نمودن اختلاف بین میانگین ها است که برای این منظور روش های غیرپارامتری مناسب نمی باشند. همچنین روش های غیرپارامتری برای مقایسه های دارای یک درجه آزادی مناسب نیستند.

احتمال قبول فرض صفر غلط (اشتباه نوع دوم) در آزمایش های غیرپارامتری بیشتر است. آزمون های غیر پارامتری زیادی وجود دارند که تا حد ممکن در مطالب بعدی بررسی می شوند.