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.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- 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
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.