Parametrik istatistikler neden parametrik olmayanlara göre tercih edilsin?


60

Birisi bana neden hipotez testi veya regresyon analizi için parametrik olmayan istatistiksel bir yöntemden bir parametrik seçtiğini açıklayabilir mi?

Nedeniyle Zihnimde, bu, rafting için gidiyor ve olmayan su geçirmez izlemek seçmek gibi olabilir o ıslanmaz. Neden her durumda çalışan aleti kullanmıyorsunuz?


21
İstatistiksel çıkarım sürecine endüktif önyargıları tanıtmaktır. Şöyle demenin güzel bir yolu: eğer bir şey biliyorsan, ipucu olarak ver. Bu ipucu, işlevsel olabilirlik şeklini sağlama veya parametrelerde önceden dağıtım gibi formlar alabilir. Eğer ipucunuz iyi ise, sonuç ipucusuzdan daha iyidir ve eğer kötüse sonuç kötüdür.
Cagdas Ozgenc 30:15

6
Şart değil. Temelde çok büyük bir tatlıda bir şey arıyorsun. Biri size aradığınızı belli bir bölgede sınırlandırdığını söylerse, bulma şansınız artar. Fakat sizi yanlış bilgi ile yanlış yönlendiriyorlarsa, o bölgede ne kadar arama yaparsanız yapın, bulamazsınız.
Cagdas Ozgenc 30:15

17
Bir ahşap işçisi olarak, sonunda analojiyi seviyorum. İyi inşa edilmiş ve son inşa edilmiş evler ve mobilyalar özel aletler kullanılarak inşa edilir. Genel amaçlı araçlar, ev sahipleri ve işini hızlı bir şekilde yapması gereken profesyoneller için veya kaba veya uygunsuz bir araç kullanırken, kimsenin umurunda olduğu bir kalite farkı yaratmayacak profesyoneller için harikadır. Zanaatkarlar, iş için doğru aracı kullanarak en iyi sonuçları elde ederler ve gerçekten de bazı şeyler onsuz yapılamaz. Örneğin hiç kimse genel amaçlı bir el testeresi ile iyi bir kırlangıç ​​yapamadı.
whuber

3
Bir kürekle bir çukur kazmanız veya bir çay kaşığı ile bir hendek kazmanız. Sadece çay kaşığı kullandıysan, daha yaşlısın.
conjugateprior

Yanıtlar:


25

Nadiren parametrik bir test ve parametrik olmayan bir test aslında aynı boşluğa sahipse. Parametrik testi, ilk iki anın var olduğunu varsayarak dağıtımın ortalamasını test ediyor. Wilcoxon rütbe toplamı testi herhangi bir anı varsaymaz ve bunun yerine dağılımların eşitliğini test eder. Zımni parametresi dağılımların tuhaf bir fonksiyonudur, bir numuneden yapılan gözlemin diğerinden yapılan gözlemden düşük olma olasılığı. Tamamen belirtilen aynı dağılımlar boşluğu altındaki iki test arasındaki karşılaştırmalar hakkında konuşabilirsiniz ... ama iki testin farklı hipotezleri test ettiğini bilmek zorundasınız.t

Parametrik testlerin varsayımlarıyla birlikte getirdiği bilgiler, testlerin gücünü artırmaya yardımcı olur. Tabii ki bu bilgi daha doğru olabilir, ancak bu tür ön bilgilerin bulunmadığı günlerde insan bilgisinin herhangi bir alanı varsa, çok az var. Açıkça “Bir şey varsaymak istemiyorum” diyen ilginç bir istisna, parametrik olmayan yöntemlerin yaygın olarak popüler olmaya devam ettiği mahkeme odasıdır - ve uygulama için mükemmel bir anlam ifade etmektedir. Pun Good'un muhtemelen parametrik olmayan istatistikler ve mahkeme salonu istatistikleri hakkında iyi kitaplar yazmasının iyi bir nedeni vardır .

Parametrik olmayan test için gerekli olan mikro verilere erişemediğiniz test durumları da vardır. Birinden diğerinden daha obez olup olmadığını ölçmek için iki insan grubunu karşılaştırmanız istendiğini varsayalım. İdeal bir dünyada, herkes için boy ve kilo ölçümleri olacak ve boyuna göre sınıflandırıcı bir permütasyon testi oluşturabilirsiniz. İdeal (gerçek olmayan) bir dünyadan daha az bir dünyada, yalnızca her gruptaki ortalama boy ve ortalama ağırlığa sahip olabilirsiniz (veya bu özelliklerin örnek araçların üstünde bazı aralıkları veya varyasyonları olabilir). O zaman en iyi bahis, her grubun ortalama BMI'sini hesaplamak ve yalnızca araçlara sahipseniz bunları karşılaştırmaktır; veya eğer araçlarınız ve farklılıklarınız varsa, boy ve kilo için iki değişkenli bir normal kabul edin (numunelerinizle birlikte gelmediyse muhtemelen bazı dış verilerden bir korelasyon almanız gerekir),


3
Test yaparken aynı boşluğa sahip olmadığınızı anlıyorum, ancak boş bir boşluğun diğer boştan daha iyi olduğunu söylemenin bir anlamı olup olmadığından emin değilim. Peki ya tahmin durumu? Tamamen farklı bir hikaye, hala parametrik ve parametrik olmayan ikilem.
en1

22

Diğerlerinin yazdığı gibi: Eğer ön koşullar yerine getirilirse, parametrik testin parametrik olmayandan daha güçlü olacaktır.

Saat analojinizde, suya dayanıklı olmayan, ıslanmadığı sürece çok daha doğru olacaktır. Örneğin, suya dayanıklı saatiniz her iki yoldan bir saat kadar kapalı olabilir, oysa suya dayanıklı olmayan bir saat doğru olabilir ... ve rafting seyahatinizden sonra bir otobüse binmeniz gerekir. Böyle bir durumda suya dayanıklı olmayan saati yanınıza almak ve ıslanmamasına dikkat etmek mantıklı olabilir.


Bonus noktası: parametrik olmayan yöntemler her zaman kolay değildir. Evet, testte alternatif bir permütasyon testi basittir. Ancak, çoklu iki yönlü etkileşimler ve iç içe rasgele efektler içeren karma bir doğrusal modele parametrik olmayan bir alternatif, basit bir çağrıya ayarlamaktan biraz daha zordur nlme(). Bunu, permütasyon testleri kullanarak yaptım ve deneyimlerime göre, parametrik modelden kalanlar normal olmasa bile, parametrik ve permütasyon testlerinin p değerleri her zaman birbirine çok yakındı. Parametrik testler genellikle ön koşullarından ayrılmalara karşı şaşırtıcı derecede dirençlidir.


Varsayımları karşılandığında parametrik yöntemlerin daha güçlü olduğu görülüyor. Fakat eğer durum buysa, her iki yaklaşımın sonuçlarını değerlendirmek için nasıl p-değerlerimiz var? Parametrik bir testin en az% 99 olasılıkla boş bir hipotezi reddetmesi durumunda, parametrik olmayan bir testten% 99 olasılıkla boş bir hipotezi reddeden daha iyi ne olabilir? Her durumda 0,99 olasılığı farklı mıdır? Bu mantıklı olmaz.
en1

1
Boş hipotezler parametrik test ve parametrik olmayan karşılığı arasında farklıdır. Spesifik olarak, bir parametrik test için boş hipotez, test istatistiğinin (iki test için genellikle farklı şekillerde de hesaplanacaktır) dağılımına ilişkin spesifik bir parametrik varsayım içerir - bu yüzden sonuçta "parametrik" denir! Dolayısıyla, iki p değeri aynı isme sahiptir, ancak farklı boş hipotezler altında farklı dağılımları olan farklı test istatistiklerine dayanarak hesaplanır.
S. Kolassa - Monica'yı yeniden kurun


3
@StephanKolassa, aslında cevabınıza bir yorum yazmaya başladım ve
kaçtım

12

Pek çok durumda, parametrik olmayan tekniklerin uygun olduğu konusunda hemfikir olmama rağmen, parametrik yöntemlerin daha yararlı olduğu durumlar da vardır.

"Wilcoxon'un rütbe toplamı testine karşı iki örnek t testi" tartışmasına odaklanalım (aksi halde bütün bir kitabı yazmak zorundayız).

  1. Küçük 2-3 kişilik gruplarda, sadece t testi teorik olarak% 5'in altındaki p değerlerine ulaşabilir. Biyoloji ve kimyada, bunun gibi grup boyutları nadir değildir. Elbette böyle bir ortamda bir t-testi kullanmak hassastır. Ama belki de hiç olmamasından iyidir. (Bu nokta, mükemmel koşullarda t-testinin Wilcoxon testinden daha fazla güce sahip olduğu sorunuyla bağlantılıdır).
  2. Büyük grup büyüklükleriyle beraber, Merkezi Limit Teoremi sayesinde bir t-testi parametrik olmayan olarak da görülebilir.
  3. T-testi sonuçları, ortalama fark için Öğrenci güven aralığı ile aynı doğrultudadır.
  4. Değişkenler gruplar arasında yoğun bir şekilde değişiyorsa, Welch'in t-testinin sürümü bunu hesaba katarken, Wilcoxon'un rütbe toplamı testi, araçlar karşılaştırılacaksa kötü bir şekilde başarısız olabilir (örneğin, ilk değerin nominal seviyeden çok farklı olması olasılığı ).

2
1 ile aynı fikirdeyim. Basitçe bir prosedür kullanmak, çünkü karar vermenize izin vermesi, özellikle de bu prosedürün geçerli olmasını beklemek için bir nedeniniz olmadığında, gerçekten iyi bir neden değildir. Eğer çok az veriye sahipseniz veya hiç veriniz yoksa, sadece bir karar verin ve titizliğe dayandığını iddia etme
dsaxton

5
Size katılıyorum. En yüksek dereceli dergilerde yayınlanmış olsa bile sonuçların sıklıkla tekrarlanmamasının açık bir nedenidir. Ancak bütçe sadece küçük örneklemelere izin veriyorsa, bir araştırmacı olarak hangi seçeneklere sahipsiniz?
Michael M,

1
Re 4 ve Wilcoxon-Mann-Whitney'i uygulayan problemler, gruplar arasında eşit olmayan farklılıklar olduğunda, heteroscedastisiteyi sağlayan parametrik olmayan metotlar vardır: Mesela Cliff'in testini veya Brunner-Munzel testini hatırlıyor gibiyim. (Bu sitede onlar hakkında çok fazla bilgiye sahip olduğumuzu sanmıyorum.)
Silverfish

@Silverfish: Brunner'in yöntemlerini sıklıkla kullanıyorum ve haklı olduğunuzu düşünüyorum. Ancak, güçlü dağıtımsal varsayımlar yaparken gerçekten karşılaştırma araçlarının ortadan kalktıklarından şüpheliyim.
Michael M,

1
@MichaelM Evet, elbette - bu, farklı hipotezlere sahip olan parametrik ve parametrik olmayan metotların sorusuna geri dönüyor sanırım.
Silverfish,

9

Hipotez testinde parametrik olmayan testler sıklıkla farklı hipotezleri test eder, bu nedenle parametrik bir parametrenin yerine her zaman parametrik olmayan bir test uygulanamaz.

Daha genel olarak, parametrik prosedürler , aksi halde yapılandırılmamış problemlere yapı empoze etmenin bir yolunu sağlar . Bu çok kullanışlıdır ve modelin tam anlamıyla doğru olduğu inancından ziyade bir tür buluşsal basitleştirici olarak görülebilir. Örneğin, bazı regresyon fonksiyonlarını ( f) kullanarak bir x tahmincisi vektörünü temel alan bir sürekli cevabı ( tahmin etme problemini ele al (bu tür bir fonksiyonun var olduğunu varsaymak bile bir çeşit parametrik kısıtlamadır). F hakkında kesinlikle hiçbir şey varsaymazsakyxffo zaman bu fonksiyonu tahmin etmeye nasıl devam edebileceğimiz hiç net değil. Aramamız gereken olası cevaplar çok fazla. Ancak olası cevapların alanını (örneğin) doğrusal işlevler , o zaman gerçekten ilerlemeye başlayabiliriz. Modelin tam olarak durduğuna inanmamıza gerek yok, sadece bazı cevaplara varmamız gerekmekteydi, ancak kusurluyuz.f(x)=Σj=1pβjxj


Evet, ve bu bir önyargı ekler. Bu, p-değer araştırmacılarının bildirdikleri hakkında ne söylüyor?
Cagdas Ozgenc 30:15

@ dsaxton söyledikleriniz farklı hipotezleri test etme konusunda doğrudur, ancak insanlar hala onları aynı şekilde yorumlar. Sonra, parametrik ve parametrik analizler arasında elde ettiğiniz içgörünün hemen hemen aynı olduğu regresyon var.
en1

@ cagdas-ozgenc Size p değerlerinin modele bağlı olduğunu söylüyor. Ama olayların başka türlü nasıl olabileceği belli değil ...
conjugateprior

3
Regresyon işlevi ile ilgili bazı varsayımlar olmadan bir regresyonda değerli hiçbir şey tahmin etme şansımızın olmadığını belirten +1 .
conjugateprior

9

Semiparametrik modellerin birçok avantajı vardır. Özel bir durum olarak Wilcoxon testi gibi testler sunarlar, ancak etki oranlarının, miktarların, araçların ve aşılma olasılıklarının tahmin edilmesini sağlarlar. Boyuna ve sansürlü verilere uzanır. Y-uzayda sağlamdırlar ve tahmin araçlarının dışında dönüşüm değişmezdir. Detaylı bir örnek / vaka incelemesi için http://biostat.mc.vanderbilt.edu/rms ders notlarına bakınız .

tYYXX1X2. Örnekler orantılı oran modelini (özel durum: Wilcoxon ve Kruskal-Wallis) ve orantılı tehlike modelini (özel durum: log-rank ve tabakalı log-rank testi) içerir.

Y


1
Bununla biraz mücadele ediyorum. T-testinin yarı parametrik mi yoksa parametrik olmayan mı olduğunu düşünüyorsunuz? Bir yandan, yarı parametriklerin 'jist'lerinin her zaman aşağıdaki gibi olduğunu varsaydım: veriler için "çalışma" olasılık modelini alın, dağıtımın doğru olup olmadığına bakmaksızın bu dağıtımdaki parametreleri tahmin edin ve hata tahminini iyileştirin belirsizlik hesabı. (Yani Gaussian puan denklemlerinin çözümleri için sandviç tabanlı hatalar yarı parametrik bir T-testi olacaktır). Bununla birlikte, yarı-parametrikler, Cox modellerinde olduğu gibi, hemen hemen her zaman bir şeyi kısmi / şartlandırmayı içerir.
AdamO,

Bununla başa çıkmak için cevabıma daha fazla açıklama ekleyeceğim.
Frank Harrell,

6

Verilen cevapların ev sahibi arasında, ayrıca Bayesian istatistiklerine de dikkat çekti. Bazı problemler tek başına olabilir. Bir Sıklıkçı, “olasılık” ın alternatif evrenleri ifade ettiği ve alternatif bir evren çerçevesinin bir suçlunun suçu ya da masumiyeti ya da gen frekansında gen frekansının tıkanması gibi bir insanın durumunu çıkardığı kadar anlamsız olduğu karşı-akıl yürütme kullanır. Büyük bir çevresel kaymaya maruz kalan türler, neslinin tükenmesine yol açtı. Bayesian bağlamında, olasılık zaten çökmüş olanlara uygulanabilen, frekans değil "inançtır".

Şimdi, Bayesian yöntemlerinin çoğunluğu, öncü ve sonuç için tamamen belirleyici olasılık modelleri gerektirmektedir. Ve bu olasılık modellerinin çoğu parametriktir. Başkalarının söyledikleriyle tutarlı olarak, bunların verilerin anlamlı özetlerini üretmek için tam olarak doğru olmaları gerekmez. “Tüm modeller yanlış, bazı modeller faydalı.”

Tabii ki, parametrik olmayan Bayesian yöntemleri vardır. Bunlar çok fazla istatistiksel kırışıklığa sahiptir ve genel olarak konuşursak, anlamlı bir şekilde kullanılmaları için neredeyse kapsamlı nüfus verileri gerektirir.


6

Yukarıdaki tüm cevaplara rağmen cevap vermemin tek sebebi kimsenin parametrik testler kullanmamamızın 1 numaralı nedenine dikkat çekmemesidir (en azından parçacık fiziği veri analizinde). Çünkü verilerin parametrelenmesini biliyoruz. Yaa! Bu çok büyük bir avantaj. Yüzlerce, binlerce ya da milyonlarca veri noktanızı dağıtımınızı önemsediğiniz ve tanımladığınız birkaç parametreye kaynatıyorsunuz. Bunlar size temel fiziği (ya da verilerinizle ilgili bilim ne verirse) söyler.

Elbette, temel olasılık yoğunluğu hakkında bir fikriniz yoksa, başka seçeneğiniz yoktur: parametrik olmayan testler kullanın. Parametrik olmayan testler, önyargılı önyargılardan yoksun olma gerçeğine sahiptir, ancak uygulanması daha zor olabilir - bazen çok daha zor.


5

Parametrik olmayan istatistiklerin kendine has sorunları var! Bunlardan biri hipotez testine vurgu yapmaktır, çoğu zaman tahmin ve güven aralıklarına ihtiyaç duyarız ve bunları parametrik olmayan karmaşık modellerde elde etmek --- karmaşıktır. Bu konuda çok iyi bir blog yazısı var, tartışma ile birlikte, http://andrewgelman.com/2015/07/13/dont-do-the-wilcoxon/ Tartışma bu diğer yazıya yol açtı : tumblr.com/post/63237480043/rock-paper-scissors-wilcoxon-test , Wilcoxon'da çok farklı bir bakış açısı için önerilir . Kısa versiyon şudur: Wilcoxon (ve diğer sıralama testleri) transransitivite ile sonuçlanabilir.


4
Geçişliliğin her şey ve her şey olacağından emin değilim. Ve çok sağlam ve kullanışlı bir yer tahmin edicisi güven aralığı elde etmek için Wilcoxon testini tersine çevirebilirsiniz.
Frank Harrell,

2
Transransitivite nedensel modellemede önemli noktaları vardır, ancak basit iki örnek ilişkilendirme testi için bunun gerçekten bir sorun olduğunu sanmıyorum. Ayrıca, parametrik olmayan ve parametrik yöntemler arasındaki hipotez testi / tahmin / güven aralıklarındaki farklılıkları göremiyorum. Bazen sağlam tahminlerde, uygun parametrik tahminin verinin anlamlı bir özetini sağlayabilmesi için çalışan bir olasılık modeli kullanırsınız (kendi başına doğru olasılık modeli olmasa bile). Belki bu cevabı genişletebilirsiniz?
AdamO,

2
Genellikle Wilcoxon testi için bazı ekstra varsayımlar yapılır, örneğin bir grubun diğerine göre stokastik baskınlığı, eğer doğruysa geçişliliği geri kazanır.
Scortchi

3

Parametrik olmayan istatistiklerin parametrik istatistiklerden daha az varsayım yaptıkları anlamında daha genel olarak uygulanabilir olduğunu söyleyebilirim.

Bununla birlikte, eğer bir parametrik istatistik kullanıyorsa ve temel varsayımlar yerine getirilirse, paramatrik istatistikler parametrik olmayanlara göre daha güçlü olacaktır.


2

Parametrik istatistikler genellikle dış veriye bilgi eklemenin yollarıdır. Örneğin, hata dağılımının normal olduğunu biliyorsunuz ve bu bilgi önceki deneyimlerden ya da veri kümesinden değil, önceki deneyimlerden ya da başka bir düşünceden geliyor. Bu durumda, normal dağılım varsayarak, bu dış bilgiyi, tahminlerinizi iyileştirmesi gereken parametre tahminlerinize dahil edersiniz.

Saatinizin analojisinde. Bugünlerde neredeyse tüm saatler, mücevherli özel parçalar veya ahşap gibi sıra dışı malzemeler hariç, su geçirmez. Onları giyme nedeni tam olarak şudur: Özeldirler. Su geçirmez demek istemeniz durumunda, çoğu elbise saati su geçirmez değildir. Onları giyme sebebi yine onların işlevidir: suit ve kravatlı bir dalgıç saati takmazsınız. Ayrıca, bugünlerde pek çok saat geri açıldı, böylece kristalin içindeki harekete bakmanın tadını çıkarabilirsiniz. Doğal olarak, bu saatler genellikle su geçirmez değildir.


1
Bu metaforu seviyorum! Bir profesörün aynı sonuçları elde edip edemeyeceğimizi görmek için aynı şey üzerinde farklı istatistik yöntemleri denememiz gerektiğini söylediğini hatırlıyorum.
Deep North,

2

Bu hipotez testi senaryosu değildir, ancak sorunuzu yanıtlamak için iyi bir örnek olabilir: kümelenme analizini düşünelim. Hiyerarşik kümeleme, K araçları vb. Gibi birçok "parametrik olmayan" kümeleme yöntemi vardır, ancak sorun kümelenme çözümünüzün diğer olası çözümlerden "daha iyi" olup olmadığını (ve genellikle birden fazla olası çözüm vardır) nasıl değerlendireceğinizi her zaman nasıl yapar. . Her algoritma size en iyi sonucu verir, ancak daha iyi bir şey olmadığını nasıl anlarsınız ..? Şimdi, kümeleşmeye parametrik yaklaşımlar da var, model tabanlı kümelenme, Sonlu Karışım Modelleri gibi. FMM ile verilerinizin dağılımını açıklayan istatistiksel bir model oluşturup veriye sığdırıyorsunuz. Modelinize sahip olduğunuzda, bu modele verilen verilerinizin ne kadar muhtemel olduğunu değerlendirebilir, olasılık oranı testlerini kullanabilir, AIC'leri karşılaştırabilir ve model uyumunu ve model karşılaştırmasını kontrol etmek için başka birçok yöntemi kullanabilirsiniz. Parametrik olmayan kümeleme algoritmaları sadece bazı benzerlik kriterleri kullanarak verileri gruplandırırken, FMM kullanarak verilerinizi tanımlamanıza ve anlamanıza olanak sağlar, ne kadar uygun olduğunu kontrol edin, tahminler yapın ... Uygulamada parametrik olmayan yaklaşımlar basit, işe yarar kullanıma hazır ve oldukça iyidir, ancak FMM sorunlu olabilir, ancak yine de model tabanlı yaklaşımlar size daha zengin çıktılar sağlar.


2

Parametrik olmayan modeller için yeni veriler için tahminler ve tahminler genellikle çok zor veya imkansızdır. Örneğin, önümüzdeki 10 yıl için Weibull veya Lognormal hayatta kalma modelini kullanarak garanti taleplerinin sayısını tahmin edebilirim, ancak bu Cox model veya Kaplan-Meier kullanılarak mümkün değildir.

Düzenleme: Biraz daha net olalım. Bir şirketin arızalı bir ürünü varsa, genellikle mevcut garanti talepleri ve satış verilerine dayanarak gelecekteki garanti talep oranını ve CDF'yi yansıtmakla ilgilenirler. Bu, hatırlamanın gerekli olup olmadığına karar vermelerine yardımcı olabilir. Parametrik olmayan bir model kullanarak bunu nasıl yaptığını bilmiyorum.


7
Naçizane size katılmıyorum. Miktarları, ortalamaları (en yüksek Y değeri sansürlenmemişse) ve her türlü olasılığı tahmin etmek için bir Cox modelini kullanabilirsiniz. Veri aralığının ötesini tahmin edememek bir problemdir (sizin dediğiniz gibi), fakat tehlikeli bir şekilde ekstrapolasyon yapıyor olabilirsiniz.
Frank Harrell,

@ FrankHarrell Evet, iyi nokta, ekstrapolasyon yaparken her zaman dikkatli olmalısınız.
Glen,

Rastgele Orman, Derin Öğrenme veya SVM'den ne haber? Tahmin için tüm parametrik yöntemler olmasa en çok yener.
en1

2
Denemek ve bir karar ağacı yapmak dışında, çapraz bir sınır öğrenmek
bill_e

1

Dürüst olmak gerekirse, bu sorunun doğru bir cevabı olmadığına inanıyorum. Verilen cevaplardan yola çıkarak, fikir birliği parametrik testlerin parametrik olmayan eşdeğerlerden daha güçlü olduğu yönündedir. Bu görüşe itiraz etmeyeceğim, ancak okullarda açıkça öğretilen bir şey olmadığından ve meslektaş gözden geçirenlerin size asla "makalenizin parametrik olmayan testler kullandığınız için reddedildiğini" söyleyemeyeceği için varsayımsal bir bakış açısı olarak varsayımsal olarak görmüyorum. Bu soru, istatistik dünyasının açıkça cevaplayamadığı ancak kabul ettiği bir şeyle ilgili.

Benim kişisel görüşüm, parametrik ya da parametrik olmayan tercihinin, her şeyden çok daha iyi bir geleneğe sahip olduğu (daha iyi bir terim olmadığı için). Test ve tahmin için parametrik teknikler önce oradaydı ve uzun bir geçmişi vardı, bu yüzden onları tamamen görmezden gelmek kolay değil. Özellikle tahmin, günümüzde ilk tercih aracı olarak yaygın şekilde kullanılan bazı etkileyici parametrik olmayan çözümlere sahiptir. Bence bu, doğası gereği parametrik olmayan sinir ağları ve karar ağaçları gibi Makine Öğrenimi tekniklerinin son yıllarda yaygın bir popülerlik kazanmasının sebeplerinden biri olduğunu düşünüyorum.


3
3/π95%

'Konsensüs' benim kişisel görüşüm değil, 'genel anlaşma' anlamına geliyor.
Digio

2
İfadenin kendi kişisel görüşünüzü veya başkalarının ortak bilgeliğini temsil edip etmediğini kastetmiyorum, sadece ifadenin sadece parametrik bir test için gerekli koşullar geçerli olduğunda doğru olduğunu işaret etmiyordum . Koşullar geçerli olmadığında, artık “parametrik testlerin parametrik olmayanlardan daha güçlü olması” söz konusu olmayabilir ve gerçekte bunun tersi olabilir (bazen çok geniş bir farkla).
Silverfish

Touché! ..... +1
Digio

0

Bu istatistiksel bir güç meselesidir. Parametrik olmayan testler genellikle parametrik emsallerinden daha düşük istatistiksel güce sahiptir.


6
Parametrik testler, varsayımları karşılandığında daha fazla güce sahip olacaktır. Varsayımlarına uyulmadığında, parametrik olmayan testler daha güçlü olabilir.
gung - Reinstate Monica

3
Bu cevap çok kısa, ve önceki cevaplarda güç tartışıldı. Onu biraz genişletmeyi düşünür müsün?
Scortchi

4
Parametrik testlerden elde edilen güç kazanımı, varsayımları karşılanmadığında karşılaştıkları güç kaybıyla karşılaştırıldığında miniktir.
Frank Harrell,

Frank, teste bağlı, bazı testler varsayımlarını ihlal etmekten daha güçlü.
Saklı Markov Modeli

0

Çok iyi cevaplar var zaten ama bahsetmediğim bazı sebepler var:

  1. Aşinalık. Hedef kitlenize bağlı olarak, parametrik sonuç kabaca eşdeğer parametrik olmayan bir sonuçtan çok daha aşina olabilir. Eğer ikisi de benzer sonuçlar verirse, aşinalık iyidir.

  2. Basitlik. Bazen, parametrik testin gerçekleştirilmesi ve raporlanması daha basittir. Bazı parametrik olmayan yöntemler çok bilgisayar yoğundur. Tabii ki, bilgisayarlar çok daha hızlı ve algoritmalar da gelişti, ama ... veriler "daha büyük" oldu.

    1. Bazen parametrik testin genellikle dezavantajı olan şey aslında bir avantajdır, ancak bu testlerin belirli çiftlerine özgüdür. Örneğin, genel olarak, olağan yöntemlerden daha az varsayımda bulunduğundan, niceliksel regresyon hayranıyım. Ancak bazen medyandan ziyade ortalamayı tahmin etmeniz gerekir.
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.