Nonparametric Statistical Tests
Nonparametric (distribution-free) tests are statistical methods for hypothesis testing that do not assume data follow a specific probability distribution (e.g., normal), making them robust to departures from normality, outliers, and ordinal data. The Mann-Whitney U test (1947) and Kruskal-Wallis test (1952) extend hypothesis testing beyond the constraints of parametric assumptions. Essential in biology, medicine, psychology, and any field where data are non-normal, highly skewed, or measured on ordinal scales (rankings, ratings), nonparametric tests provide valid inference when parametric assumptions fail.
Zdrojový záznam
Citace zkopírované doslovně ze zdrojového záznamu metody. Nejsou z nich vyvozovány žádné ověření na úrovni tvrzení.
- Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. Annals of Mathematical Statistics, 18(1), 50–60. · DOI 10.1214/aoms/1177730491
- Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. · DOI 10.1080/01621459.1952.10483441
- Conover, W. J. (1999). Practical Nonparametric Statistics (3rd ed.). John Wiley & Sons. · URL
Spravovaná tvrzení
Tvrzení uložená v registru důkazů, každé s vlastním hodnocením.
Tento pohled nevymýšlí hodnocení tvrzení, pokud registr žádné neobsahuje.
Související metody
Vygenerováno z grafu metod a zobrazeno jako strojově navržené vztahy – nejsou z nich vyvozována žádná tvrzení o důkazech.