Apa sebenarnya yang dicapai oleh tes non-parametrik & Apa yang Anda lakukan dengan hasilnya?


22

Saya merasa ini mungkin telah ditanyakan di tempat lain, tetapi tidak benar-benar dengan jenis deskripsi dasar yang saya butuhkan. Saya tahu non-parametrik bergantung pada median alih-alih mean untuk membandingkan ... sesuatu. Saya juga percaya ini bergantung pada "derajat kebebasan" (?) Bukannya standar deviasi. Koreksi saya jika saya salah.

Saya telah melakukan penelitian yang cukup baik, atau begitulah menurut saya, mencoba memahami konsep, apa yang ada di baliknya, apa arti hasil tes sebenarnya, dan / atau apa yang harus dilakukan dengan hasil tes; Namun, tampaknya tidak ada yang berani pergi ke daerah itu.

Demi kesederhanaan mari kita tetap dengan uji-U Mann-Whitney, yang saya perhatikan cukup populer (dan juga tampaknya disalahgunakan dan digunakan secara berlebihan untuk memaksa "model persegi menjadi lubang lingkaran"). Jika Anda ingin mendeskripsikan tes-tes lain juga merasa bebas, walaupun saya merasa begitu saya memahaminya, saya bisa memahami yang lain dengan cara analog terhadap berbagai uji-t dll.

Katakanlah saya menjalankan tes non-parametrik dengan data saya dan saya mendapatkan hasil ini kembali:

2 Sample Mann-Whitney - Customer Type       

Test Information        
H0: Median Difference = 0       
Ha: Median Difference ≠ 0       

Size of Customer    Large   Small
Count                    45    55
Median                    2     2

Mann-Whitney Statistic: 2162.00 
p-value (2-sided, adjusted for ties):   0.4156  

Saya terbiasa dengan metode lain, tetapi apa yang berbeda di sini? Haruskah kita ingin nilai-p lebih rendah dari 0,05? Apa yang dimaksud dengan "statistik Mann-Whitney"? Apakah ada gunanya? Apakah informasi ini di sini hanya memverifikasi atau tidak memverifikasi bahwa sumber data tertentu yang saya miliki harus atau tidak boleh digunakan?

Saya memiliki cukup banyak pengalaman dengan regresi dan dasar-dasar, tetapi saya sangat ingin tahu tentang hal-hal non-parametrik "khusus" ini - yang saya tahu akan memiliki kekurangannya sendiri.

Bayangkan saja saya anak kelas lima dan lihat apakah Anda bisa menjelaskannya kepada saya.


4
Ya, saya sudah sering membaca itu. Kadang-kadang jargon yang digunakan wikipedia bisa menjadi luar biasa dan meskipun memiliki deskripsi yang akurat - itu tidak selalu memiliki deskripsi yang jelas untuk seseorang yang mulai mencoba mempelajari area tersebut. Tidak yakin siapa yang kalah, tapi saya hanya menginginkan penjelasan dasar, CLEAR, yang bisa dipahami oleh hampir semua orang. Ya, saya sudah berusaha keras untuk menemukan orang yang percaya atau tidak. Tidak perlu langsung downvote saya dan tautkan saya ke wikipedia. Adakah yang memperhatikan bagaimana beberapa guru lebih baik daripada yang lain? Saya mencari "guru" yang baik untuk konsep yang saya tempati.
Taal

1
Kemudian pindah ke teks statistik nonparametrik dasar yang bagus seperti Sprent dan Smeeton, Hollander dan Wolfe, Conover. atau temukan teks pengantar yang menyertakan Mann-Whitney.
Nick Cox

1
Dari melihat pertanyaan Anda dan pertanyaan lain yang Anda tanyakan baru-baru ini menggunakan internet saja tidak berfungsi dengan baik, karena Anda jelas sangat bingung. Itu sebabnya @Peter Flom dan saya merekomendasikan buku. Saya belum punya saran lain sebagai cadangan. Saya juga merekomendasikan - dengan tulus dan demi kepentingan terbaik Anda - mencoba menulis lebih banyak pertanyaan yang lebih ringkas dan tidak banyak bicara. Gaya Anda yang agresif tidak membantu memperjelas pertanyaan Anda.
Nick Cox

1
Internet sendiri sebenarnya berfungsi lebih baik daripada buku atau kelas mana pun yang pernah saya lakukan untuk jujur ​​- dan itu berlaku untuk topik apa pun. Saya minta maaf karena menulis pertanyaan "cerewet".
Taal

3
Tidak, sepertinya buku itu tidak berfungsi sebaik buku yang bagus. Mengutip Stephen Senn, aneh bahwa statistik adalah satu-satunya ilmu yang orang-orang tuntut dapat dimengerti pada pandangan pertama.
Frank Harrell

Jawaban:


41

Saya tahu non-parametrik bergantung pada median, bukan rata-rata

Hampir tidak ada tes nonparametrik yang benar-benar "mengandalkan" median dalam pengertian ini. Saya hanya bisa memikirkan pasangan ... dan satu-satunya yang saya perkirakan akan Anda dengar adalah tes tanda.

untuk membandingkan ... sesuatu.

Jika mereka mengandalkan median, mungkin itu akan membandingkan median. Tetapi - terlepas dari apa yang beberapa sumber coba katakan kepada Anda - tes seperti tes peringkat yang ditandatangani, atau Wilcoxon-Mann-Whitney atau Kruskal-Wallis sama sekali bukan tes median sama sekali; jika Anda membuat beberapa asumsi tambahan, Anda dapat menganggap Wilcoxon-Mann-Whitney dan Kruskal-Wallis sebagai tes median, tetapi di bawah asumsi yang sama (selama sarana distribusi ada), Anda dapat menganggapnya sebagai uji kemampuan. .

Perkiraan lokasi aktual yang relevan dengan uji Peringkat Bertanda adalah median rata-rata berpasangan dalam sampel, yang untuk Wilcoxon-Mann-Whitney (dan implikasinya, dalam Kruskal-Wallis) adalah median perbedaan berpasangan di seluruh sampel. .

Saya juga percaya itu bergantung pada "derajat kebebasan?" bukannya standar deviasi. Koreksi saya jika saya salah.

Sebagian besar tes nonparametrik tidak memiliki 'derajat kebebasan', meskipun distribusi banyak perubahan dengan ukuran sampel dan Anda mungkin menganggapnya agak mirip dengan derajat kebebasan dalam arti bahwa tabel berubah dengan ukuran sampel. Sampel tentu saja mempertahankan sifat mereka dan memiliki n derajat kebebasan dalam arti itu tetapi tingkat kebebasan dalam distribusi statistik uji biasanya bukan sesuatu yang kita khawatirkan. Dapat terjadi bahwa Anda memiliki sesuatu yang lebih mirip derajat kebebasan - misalnya, Anda tentu dapat membuat argumen bahwa Kruskal-Wallis memang memiliki derajat kebebasan pada dasarnya dalam arti yang sama dengan chi-square, tetapi biasanya tidak melihat seperti itu (misalnya, jika seseorang berbicara tentang derajat kebebasan seorang Kruskal-Wallis, mereka hampir selalu berarti

Diskusi yang bagus tentang derajat kebebasan dapat ditemukan di sini /

Saya telah melakukan penelitian yang cukup baik, atau begitulah yang saya pikirkan, mencoba memahami konsep, apa pekerjaan di baliknya, apa arti hasil tes sebenarnya, dan / atau apa yang harus dilakukan dengan hasil tes; Namun sepertinya tidak ada yang berani pergi ke daerah itu.

Saya tidak yakin apa yang Anda maksudkan dengan ini.

Saya dapat menyarankan beberapa buku, seperti Conover's Practical Nonparametric Statistics , dan jika Anda bisa mendapatkannya, buku Neave dan Worthington ( Distribusi-Tes Gratis ), tetapi ada banyak buku lain - Marascuilo & McSweeney, Hollander & Wolfe, atau buku Daniel misalnya. Saya sarankan Anda membaca setidaknya 3 atau 4 dari yang berbicara kepada Anda yang terbaik, lebih disukai yang menjelaskan hal-hal yang berbeda mungkin (ini berarti setidaknya membaca sedikit mungkin 6 atau 7 buku untuk menemukan mengatakan 3 yang sesuai).

Demi kesederhanaan mari kita tetap dengan tes Mann Whitney U, yang saya perhatikan cukup populer

Yaitu, yang membuat saya bingung dengan pernyataan Anda "sepertinya tidak ada yang berani memasuki area itu" - banyak orang yang menggunakan tes ini melakukan 'menjelajah ke area' yang Anda bicarakan.

- dan juga tampaknya disalahgunakan dan digunakan secara berlebihan

Saya akan mengatakan tes nonparametrik umumnya kurang digunakan jika ada (termasuk Wilcoxon-Mann-Whitney) - sebagian besar terutama tes permutasi / pengacakan, meskipun saya tidak perlu membantah bahwa mereka sering disalahgunakan (tetapi begitu juga tes parametrik, bahkan lebih).

Katakanlah saya menjalankan tes non-parametrik dengan data saya dan saya mendapatkan hasil ini kembali:

[menggunting]

Saya terbiasa dengan metode lain, tetapi apa yang berbeda di sini?

Metode lain apa yang Anda maksud? Anda ingin saya membandingkan ini dengan apa?

Sunting: Anda menyebutkan regresi nanti; Saya berasumsi bahwa Anda terbiasa dengan uji-t dua sampel (karena ini benar-benar kasus regresi khusus).

Di bawah asumsi untuk uji-dua sampel biasa, hipotesis nol menyatakan bahwa kedua populasi itu identik, berlawanan dengan alternatif yang telah diubah oleh salah satu distribusi. Jika Anda melihat yang pertama dari dua set hipotesis untuk Wilcoxon-Mann-Whitney di bawah ini, hal dasar yang diuji di sana hampir identik; hanya saja uji-t didasarkan pada asumsi sampel berasal dari distribusi normal yang identik (terlepas dari kemungkinan pergeseran lokasi). Jika hipotesis nol benar, dan asumsi yang menyertainya benar, statistik uji memiliki t-distribusi. Jika hipotesis alternatif itu benar, maka uji-statistik menjadi lebih mungkin untuk mengambil nilai-nilai yang tidak terlihat konsisten dengan hipotesis nol tetapi terlihat konsisten dengan alternatif - kami fokus pada yang paling tidak biasa,

Situasinya sangat mirip dengan Wilcoxon-Mann-Whitney, tetapi mengukur penyimpangan dari nol agak berbeda. Bahkan, ketika asumsi uji-t benar *, hampir sebaik tes terbaik (yaitu uji-t).

* (yang dalam praktiknya tidak pernah, meskipun itu tidak masalah sebanyak kedengarannya)

wmw di bawah nol dan alternatif

Memang, mungkin untuk mempertimbangkan Wilcoxon-Mann-Whitney secara efektif sebagai "uji-t" yang dilakukan pada jajaran data - meskipun kemudian tidak memiliki distribusi-t; statistik adalah fungsi monotonik dari dua sampel t-statistik yang dihitung pada peringkat data, sehingga menginduksi urutan yang sama ** pada ruang sampel (yaitu "uji-t" pada peringkat - dilakukan dengan tepat - akan menghasilkan nilai-p yang sama dengan Wilcoxon-Mann-Whitney), sehingga menolak kasus yang sama persis.

** (ketat, pemesanan parsial, tapi mari kita kesampingkan itu)

[Anda akan berpikir bahwa hanya dengan menggunakan peringkat akan membuang banyak informasi, tetapi ketika data diambil dari populasi normal dengan varian yang sama, hampir semua informasi tentang pergeseran lokasi berada dalam pola peringkat. Nilai data aktual (tergantung pada peringkat mereka) menambahkan sangat sedikit informasi tambahan untuk itu. Jika Anda menjadi lebih berat dari biasanya, itu tidak lama sebelum tes Wilcoxon-Mann-Whitney memiliki kekuatan yang lebih baik, serta mempertahankan tingkat signifikansi nominalnya, sehingga informasi 'ekstra' di atas peringkat akhirnya menjadi tidak hanya tidak informatif tetapi dalam beberapa akal, menyesatkan. Namun, berekor berat yang hampir simetris adalah situasi yang jarang terjadi; apa yang sering Anda lihat dalam praktik adalah kemiringan.]

Gagasan dasarnya sangat mirip, nilai-p memiliki interpretasi yang sama (probabilitas hasil sebagai, atau lebih ekstrim, jika hipotesis nol itu benar) - hingga interpretasi pergeseran lokasi, jika Anda membuat asumsi yang diperlukan (lihat pembahasan hipotesis di dekat akhir posting ini).

Jika saya melakukan simulasi yang sama seperti pada plot di atas untuk uji-t, plot akan terlihat sangat mirip - skala pada sumbu x dan y akan terlihat berbeda, tetapi tampilan dasarnya akan serupa.

Haruskah kita ingin nilai p lebih rendah dari 0,05?

Anda seharusnya tidak "menginginkan" apa pun di sana. Idenya adalah untuk mengetahui apakah sampel lebih berbeda (dalam arti lokasi) daripada yang dapat dijelaskan secara kebetulan, bukan untuk 'mengharapkan' hasil tertentu.

Jika saya mengatakan "Bisakah Anda pergi melihat apa mobil warna Raj adalah please?", Jika saya ingin penilaian berisi itu saya tidak ingin kau pergi "Man, aku benar-benar, benar-benar berharap itu biru! Itu hanya memiliki untuk menjadi biru". Sebaiknya hanya melihat situasinya, daripada masuk dengan beberapa 'Aku butuh itu menjadi sesuatu'.

Jika tingkat signifikansi yang Anda pilih adalah 0,05, maka Anda akan menolak hipotesis nol ketika nilai-p di bawah 0,05. Tetapi kegagalan untuk menolak ketika Anda memiliki ukuran sampel yang cukup besar untuk hampir selalu mendeteksi efek-ukuran yang relevan setidaknya sama menarik, karena dikatakan bahwa perbedaan yang ada kecil.

Apa arti angka "mann whitley"?

Statistik Mann-Whitney .

Ini benar-benar hanya bermakna dibandingkan dengan distribusi nilai-nilai yang dapat diambil ketika hipotesis nol benar (lihat diagram di atas), dan itu tergantung pada definisi mana dari beberapa program tertentu yang mungkin digunakan.

Apakah ada gunanya?

Biasanya Anda tidak peduli dengan nilai pastinya, tetapi di mana ia terletak pada distribusi nol (apakah itu lebih atau kurang khas dari nilai-nilai yang harus Anda lihat ketika hipotesis nol itu benar, atau apakah itu lebih ekstrim)

P(X<Y)

Apakah data ini di sini hanya memverifikasi atau tidak memverifikasi bahwa sumber data tertentu yang saya miliki harus atau tidak boleh digunakan?

Tes ini tidak mengatakan apa-apa tentang "sumber data tertentu yang saya harus atau tidak boleh digunakan".

Lihat diskusi saya tentang dua cara melihat hipotesis WMW di bawah ini.

Saya memiliki cukup banyak pengalaman dengan regresi dan dasar-dasar, tetapi saya sangat ingin tahu tentang hal-hal non-parametrik "khusus" ini

Tidak ada yang khusus tentang tes nonparametrik (saya akan mengatakan yang 'standar' dalam banyak hal bahkan lebih mendasar daripada tes parametrik khas) - selama Anda benar-benar memahami pengujian hipotesis.

Namun, itu mungkin topik untuk pertanyaan lain.


Ada dua cara utama untuk melihat uji hipotesis Wilcoxon-Mann-Whitney.

i) Salah satunya adalah mengatakan "Saya tertarik pada pergeseran-lokasi - yaitu bahwa berdasarkan hipotesis nol, kedua populasi memiliki distribusi (kontinu) yang sama , terhadap alternatif bahwa seseorang 'bergeser' ke atas atau ke bawah relatif terhadap lain"

Wilcoxon-Mann-Whitney berfungsi dengan sangat baik jika Anda membuat asumsi ini (bahwa alternatif Anda hanyalah perubahan lokasi)

Dalam hal ini, Wilcoxon-Mann-Whitney sebenarnya adalah tes untuk median ... tetapi sama-sama itu adalah tes untuk rata-rata, atau memang statistik kesetaraan lokasi lainnya (persentil ke-90, misalnya, atau sarana yang dipangkas, atau sejumlah hal-hal lain), karena semuanya terpengaruh dengan cara yang sama oleh pergeseran lokasi.

Hal yang menyenangkan tentang ini adalah ia sangat mudah ditafsirkan - dan mudah untuk menghasilkan interval kepercayaan untuk perubahan lokasi ini.

pergeseran lokasi

Namun, uji Wilcoxon-Mann-Whitney sensitif terhadap perbedaan jenis lain daripada pergeseran lokasi.

1212

pergeseran P (X <Y) dari 1/2


Saya menggambar kira-kira distribusi nol (yang berwarna merah di grafik paling atas baru) seolah-olah itu kontinu ... tetapi distribusi yang sebenarnya diskrit. Gambarnya kurang berantakan seperti itu.
Glen_b -Reinstate Monica

3
+1 Jawaban bagus. Salah satu penjelasan terbaik dan paling mudah diakses dari tes Wilcoxon-Mann-Whitney yang saya tahu. Terima kasih.
COOLSerdash

"Dalam hal ini, Wilcoxon-Mann-Whitney sebenarnya adalah tes untuk median ... tetapi sama-sama ini tes untuk sarana" Namun, beberapa distribusi tidak memiliki sarana sedangkan median mereka didefinisikan dengan baik (misalnya Cauchy).
caracal

@caracal Sementara benar (ini poin saya sudah membuat beberapa kali di sini), jika seseorang menguji kesetaraan populasi berarti, mungkin mereka sudah menganggap mereka berarti populasi terbatas. Jika tidak, mereka memiliki masalah jauh sebelum mereka sampai pada titik memilih tes. Dengan anggapan bahwa ada hipotesis berarti populasi yang sama (dan dengan demikian terbatas), di bawah asumsi yang sama yang biasanya digunakan untuk menjadikannya sebagai uji median (menggeser alternatif), WMW juga merupakan tes sarana.
Glen_b -Reinstate Monica

17

Misalkan Anda dan saya melatih tim trek. Atlet kami berasal dari sekolah yang sama, usia yang sama, dan jenis kelamin yang sama (yaitu, mereka berasal dari populasi yang sama), tetapi saya mengklaim telah menemukan Sistem Pelatihan Baru yang Revolusioner yang akan membuat anggota tim saya berlari lebih cepat daripada milikmu. Bagaimana saya bisa meyakinkan Anda bahwa itu benar-benar berhasil?

Kami berlomba.

Setelah itu, saya duduk dan menghitung rata-rata waktu untuk anggota tim saya dan rata-rata waktu untuk anggota Anda. Saya akan mengklaim kemenangan jika waktu rata-rata untuk atlet saya tidak hanya lebih cepat daripada rata-rata untuk atlet Anda, tetapi perbedaannya juga besar dibandingkan dengan "hamburan", atau standar deviasi, dari hasil kami.


t


"Tapi Matt", Anda mengeluh, "ini tidak cukup adil. Tim kami sangat mirip, tetapi Anda - karena kebetulan murni - berakhir dengan pelari tercepat di distrik ini. Dia tidak berada di liga yang sama dengan semua orang yang lain, dia bisa dibilang orang aneh Alam. Dia selesai 3 menit sebelum finisher tercepat berikutnya, yang mengurangi banyak waktu rata-rata Anda, tetapi seluruh pesaing cukup merata. Mari kita lihat urutan selesai sebagai gantinya. Jika metode Anda benar-benar bekerja, finishers sebelumnya sebagian besar harus dari tim Anda, tetapi jika tidak, order finish harus cukup acak. Ini tidak memberikan bobot yang tidak semestinya kepada super-star Anda! "


t

hal

ttt


Anda sebenarnya menjawab pertanyaan saya persis seperti itu, dan maksud saya persis, seperti yang saya inginkan untuk dijawab. Glen sedikit lebih maju di sisi matematika, dan kombinasi dari dua tanggapan ini membuat klik untuk saya. Tapi aku tidak bisa mengambil hadiah darinya - maksudku ... dia menggambar grafik, terlepas dari kejelasan responmu. Saya punya perasaan Anda pernah memiliki semacam pekerjaan mengajar di masa lalu. Saya tahu mungkin ada beberapa generalisasi dalam tanggapan di sini, tetapi saya tahu saya tidak perlu membeli buku dan mempelajarinya secara intensif untuk mulai dapat menerapkan non-parametrik secara praktis pada tingkat tertentu
Taal

t

Ironi dari semua ini adalah bahwa saya tidak akan menggunakannya sama sekali mungkin, itu hanya mengganggu saya bahwa saya tidak bisa mendapatkan jawaban langsung tentang apa itu. Jawaban Glen jauh lebih dari yang saya harapkan dan dapatkan semula - jawaban terbaik yang saya rasa tidak bisa saya uraikan karena deskripsi apa pun terbukti tidak memadai. Seperti memberi tahu seseorang seperti apa warna biru itu. Jika Anda sudah membaca salah satu dari hal-hal whuber, sepertinya Anda mungkin memiliki rasa yang sama ...
Taal


6

Anda meminta dikoreksi jika salah. Berikut adalah beberapa komentar di bawah judul yang melengkapi saran positif @Peter Flom.

  • "non-parametrik bergantung pada median, bukan rata-rata": sering dalam praktik, tapi itu bukan definisi. Beberapa tes non-parametrik (misalnya chi-square) tidak ada hubungannya dengan median.

  • bergantung pada derajat kebebasan alih-alih standar deviasi; itu sangat membingungkan. Gagasan derajat kebebasan sama sekali bukan alternatif dari standar deviasi; derajat kebebasan sebagai suatu gagasan berlaku tepat di seluruh statistik.

  • "sumber data tertentu yang saya harus atau tidak boleh digunakan": pertanyaan ini tidak ada hubungannya dengan tes signifikansi yang Anda terapkan, yang hanya tentang perbedaan antara himpunan bagian data dan diutarakan dalam hal perbedaan antara median.


Saya percaya pendapat Anda tentang saya yang meminta untuk "dikoreksi di tempat yang salah" telah menjadi jawaban terbaik sejauh ini. Saya kira saya perlu beberapa hipotesis nol yang dibantah atau dipelajari dengan proses eliminasi. Tanggapan Anda telah memberi saya informasi baru yang saya mengerti - masih ada beberapa lubang besar dalam pemahaman saya tentang topik ini, tetapi saya tidak bisa mengharapkan kesempurnaan. Mungkin lubang itu lebih besar daripada yang saya perkirakan saat menulis pertanyaan ini dan stackexchange tidak akan cukup, tidak peduli seberapa "cerewetnya" saya membuat pertanyaan.
Taal

4

Anda "ingin" hal-hal yang sama dari nilai-p di sini yang Anda inginkan dalam pengujian lain.

Statistik U adalah hasil perhitungan, seperti statistik t, rasio odds, statistik F, atau apa pun yang Anda miliki. Formula dapat ditemukan banyak tempat. Ini tidak terlalu intuitif, tetapi kemudian, tidak ada statistik tes lain sampai Anda terbiasa dengan mereka (kami mengenali pada 2 sebagai berada dalam kisaran yang signifikan karena kami melihatnya sepanjang waktu).

Sisa output dalam teks blok Anda harus jelas.

Untuk pengantar yang lebih umum untuk tes nonparametrik, saya menggemakan @NickCox .... dapatkan buku yang bagus. Non-parametrik berarti "tanpa parameter"; ada banyak tes dan statistik non-parametrik untuk berbagai tujuan.


Ya, idealnya, buku yang bagus akan membantu; Namun, tampaknya tidak perlu dengan sumber daya hari ini (seperti stackexchange), wikipedia (kadang-kadang), persaingan pasar youtube (tahukah Anda untuk setiap juta tampilan seseorang mendapat bayaran $ 4000?), serta berbagai sumber daya lainnya. Saya umumnya, sama seperti gaya belajar saya, gagal cukup keras dalam belajar buku sederhana juga.
Taal

1
Saya menghargai posting Anda, namun sebenarnya sudah mengulangi sebagian besar dari apa yang sudah saya ketahui atau anggap sayangnya. Tampaknya ada semacam pola di mana hampir setiap penjelasan yang saya hentikan pada titik tertentu ini. Mungkin titik ini menjadi terlalu rumit untuk dijelaskan atau terlalu banyak upaya - saya tidak yakin. Bagaimanapun, itu adalah pola yang saya alami dari setiap sumber informasi yang biasanya saya gunakan - yang ironisnya akan mengulangi pernyataan buku semua orang. Mungkin saya tidak menyadari jawabannya begitu rumit; sekali lagi saya telah melihat beberapa jawaban intens pada SE.
Taal

2
Pertama Anda meminta kami untuk menyederhanakan, maka Anda mengeluh bahwa jawaban kami sederhana! Jika Anda ingin memahami rumus untuk U (atau apa pun), lihatlah. Jika Anda menginginkan sesuatu yang sederhana, jangan meminta kompleksitas! Entri Wikipedia adalah entri yang sangat bagus dan terperinci dengan semua detail. Anda tidak memahaminya. Begitu. Apa yang kamu inginkan?
Peter Flom - Pasang kembali Monica

1
Saya kira suatu tempat di antara keduanya. Saya akui bukan yang terbaik dalam berkomunikasi, dan saya bisa mengerti Anda frustrasi, heh. Itu adalah sifat saya yang sebenarnya sangat saya sadari. Sejujurnya, saya pikir saya harus memikirkan apa yang benar-benar saya inginkan - karena hampir seperti saya mencoba untuk mendorong pertanyaan cukup ke tempat itu tumpang tindih ke daerah yang saya tidak sadari atau sebelumnya tidak tahu tentang. Sulit untuk bertanya tentang sesuatu yang tidak Anda pahami secara umum. Saya hanya harus kembali ke ini saya kira.
Taal

1

Sebagai tanggapan terhadap pertanyaan yang baru saja ditutup , ini juga membahas hal di atas. Di bawah ini adalah kutipan dari Tes Statistik Bebas-Distribusi klasik Bradley (1968, hlm. 15-16) yang, walaupun agak panjang, adalah penjelasan yang cukup jelas, saya percaya.

Istilah nonparametrik dan bebas distribusi tidak identik, dan tidak ada yang memberikan deskripsi yang sepenuhnya memuaskan dari kelas statistik yang ingin mereka rujuk.… Secara kasar, tes nonparametrik adalah yang tidak membuat hipotesis tentang nilai parameter. dalam fungsi kepadatan statistik, sedangkan tes bebas distribusi adalah yang tidak membuat asumsi tentang bentuk yang tepat dari populasi sampel. Definisi-definisi tersebut tidak eksklusif satu sama lain, dan sebuah tes dapat bersifat bebas distribusi dan parametrik.… Agar sepenuhnya jelas tentang apa yang dimaksud dengan bebas distribusi, perlu untuk membedakan antara tiga distribusi: (a) bahwa dari populasi sampel; (B) bahwa karakteristik pengamatan-benar-benar digunakan oleh tes; dan (c) statistik uji. Distribusi dari mana tes "bebas" adalah dari (a), populasi sampel. Dan kebebasan yang mereka nikmati biasanya relatif.… Namun asumsi tersebut tidak pernah sedemikian rumit untuk menyiratkan populasi yang distribusinya benar-benar ditentukan.… Alasannya: sangat sederhana: besaran tidak digunakan seperti itu dalam tes [nonparametrik], tidak juga atribut populasi yang sangat terkait dari varian ini. Sebagai gantinya tidak juga atribut populasi yang sangat terkait dari varian ini. Sebagai gantinya tidak juga atribut populasi yang sangat terkait dari varian ini. Sebagai gantinyasampel -linked charachteristics dari pengamatan diperoleh ... memberikan informatikon digunakan oleh uji statistik. ... Jadi sementara kedua tes parametrik dan nonparametrik mengharuskan bentuk f suatu distribusi, terkait dengan pengamatan, sepenuhnya diketahui, pengetahuan itu, dalam kasus parametrik, Oleh karena itu umumnya tidak akan datang karena distribusi besaran yang diperlukan harus "diasumsikan" atau disimpulkan berdasarkan informasi perkiraan atau tidak lengkap. Dalam kasus nonparametrik, di sisi lain dan, distribusi karakteristik pengamatanbiasanya diketahui dengan tepat dari pertimbangan apriori dan karenanya, tidak perlu "dianggap." Perbedaannya, kemudian, bukanlah salah satu persyaratan tetapi lebih dari apa yang dibutuhkan dan kepastian bahwa persyaratan akan dipenuhi.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.