2.9 : Методы статистического вывода при проверке гипотез: параметрические и непараметрические данные

Методы статистического вывода, имеющие первостепенное значение при проверке гипотез, подразделяются на две большие категории: параметрическая и непараметрическая статистика.

Параметрическая статистика, как следует из названия, предполагает, что данные следуют определенному распределению, часто нормальному распределению. Это предположение позволяет проводить надежную проверку и оценку гипотез. Параметрические методы, такие как t-критерий Стьюдента или тест на соответствие, часто используются в биостатистике из-за их надежности. Например, сравнение среднего уровня сахара в крови у пациентов, получающих разное лечение, становится статистически надежным с использованием параметрических статистических методов.

С другой стороны, непараметрическая статистика не делает никаких предположений о базовом распределении данных. Они вступают в игру, когда данные не соответствуют предпосылкам параметрических тестов или при обработке порядковых или категориальных данных. Эти методы предлагают несколько преимуществ, включая устойчивость к выбросам и отсутствие конкретных предположений о распределении. Однако они, как правило, менее эффективны, чем параметрические тесты, когда все параметрические предположения выполнены.

Непараметрические статистические методы находят применение в различных биостатистических приложениях. Одним из примеров является тест ранговой суммы Уилкоксона, который сравнивает медианное время выживания между двумя группами лабораторных животных. Другим примером является тест Краскела-Уоллиса, непараметрическая альтернатива ANOVA, для сравнения медиан нескольких групп.

Параметрическая и непараметрическая статистика имеет уникальное значение и применение в биостатистике, причем их использование определяется характером данных и статистическими предположениями, которые можно сделать.