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.
Изворни запис
Цитирани радови су копирани дословно из изворног записа методе. Из њих се не изводи верификација на нивоу тврдње.
- 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
Куроване тврдње
Тврдње су сачуване у регистру доказа, свака са својом проценом.
Овај приказ не измишља процену тврдње када регистар нема ниједну.
Сродне методе
Генерисано из графа метода и приказано као машински предложене везе — не изводи се тврдња доказа.