Parametrik Olmayan İstatistiksel Testler
Distribution-Free Hypothesis Testing · Ayrıca şöyle bilinir: rank-based tests, Mann-Whitney U, Kruskal-Wallis, distribution-free
Parametrik olmayan (dağılımdan bağımsız) testler, verilerin belirli bir olasılık dağılımını (örneğin normal dağılım) izlediğini varsaymayan, bu nedenle normallikten sapmalara, aykırı değerlere ve sıralı verilere karşı dayanıklı hipotez testleri için istatistiksel yöntemlerdir. Mann-Whitney U testi (1947) ve Kruskal-Wallis testi (1952), hipotez testini parametrik varsayımların kısıtlamalarının ötesine taşır. Biyoloji, tıp, psikoloji ve verilerin normal dağılıma uymadığı, aşırı çarpık olduğu veya sıralı ölçeklerde (sıralamalar, derecelendirmeler) ölçüldüğü her alanda esastır; parametrik varsayımlar başarısız olduğunda parametrik olmayan testler geçerli çıkarımlar sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Parametrik test varsayımları ihlal edildiğinde ve dönüşüm (log, karekök) verileri normalleştiremediğinde veya veriler doğası gereği sıralı olduğunda parametrik olmayan testleri kullanın. Psikoloji: Likert ölçeği yanıtlarını (sıralı, genellikle normal olmayan) analiz etme; birçok çalışma normalliğin olası olmadığı < 10 kategorili ölçekler kullanır. Tıp: ölçümlerin aşırı çarpık olduğu durumlarda (örneğin, bazı hastaların sıfır değerleri, diğerlerinin yüksek değerleri olduğu) tedavi grupları arasında biyobelirteç değerlerini karşılaştırma. Biyoloji: sıra tabanlı ölçümleri (tür bolluğu sıralamaları, turnuva sıralamaları) değerlendirme. Veri dağılımı bilinmediğinde erken keşif analizinde varsayılan olarak parametrik olmayan yöntemleri de kullanın; sonuçlar parametrik testlerle uyumluysa, onaylayıcı analiz için parametrik yaklaşım muhtemelen güvenlidir.
Güçlü yönler & sınırlılıklar
- Normal olmama ve aykırı değerlere karşı dayanıklıdır: veriler ciddi şekilde normal olmadığında veya kaldırılamayan aşırı değerler içerdiğinde bile geçerli p-değerleri sağlar.
- Sıralı verilerle çalışır: Likert ölçekleri, sıralamalar veya diğer sıralı kategorileri analiz edebilir; parametrik testler sürekli verileri varsayar, bu da onları sıralı veriler için teknik olarak geçersiz kılar.
- Basit hesaplama: sıra tabanlı istatistikler sezgisel ve hesaplama açısından basittir; küçük örneklemler için elle hesaplanabilir.
- Dağılımdan bağımsızdır: herhangi bir özel olasılık dağılımını varsaymaz, bu da onları çeşitli veri türlerine evrensel olarak uygulanabilir kılar.
- Parametrik varsayımların ihlali durumunda iyi istatistiksel güç: parametrik varsayımlar yanlış olduğunda, parametrik olmayan testler geçersiz p-değerleri üreten parametrik testlerden daha güçlüdür.
- İdeal koşullar altında güç kaybı: veriler gerçekten normal dağılımlı ve eşit varyanslı olduğunda, parametrik olmayan testler t-testlerine göre %5-15 güç kaybeder (asemptotik göreceli etkinlik ~0.95).
- Karmaşık tasarımlar için daha az gelişmiştir: faktöriyel ANOVA, MANOVA veya karmaşık kovaryat ayarlaması için daha az parametrik olmayan eşdeğer mevcuttur; çok düzeyli parametrik olmayan yöntemler daha az standarttır.
- Etki büyüklüğü daha az standarttır: iyi yerleşmiş etki büyüklüğü ölçülerine (Cohen's d) sahip parametrik testlerin aksine, parametrik olmayan etki büyüklükleri (r, sıra-iki yönlü korelasyon) pratikte daha az yaygındır.
- Post-hoc testler karmaşıktır: Kruskal-Wallis sonrası ikili karşılaştırmalar daha az standarttır; çoklu test düzeltme cezaları gücü azaltabilir.
- Konum veya ilişki testleriyle sınırlıdır: parametrik olmayan yöntemler öncelikle dağılımların farklı olup olmadığını test eder; parametreleri tahmin edemez veya ortalama yapısı hakkında belirli hipotezleri test edemez.
SSS
Mann-Whitney U'yu bağımsız bir t-testi yerine ne zaman kullanmalıyım?
Mann-Whitney U'yu şu durumlarda kullanın: (1) veriler normal dağılıma uymuyorsa (Q-Q grafiği sapma gösteriyor, Shapiro-Wilk p < 0.05), (2) varyanslar eşit değilse (Levene testi p < 0.05) ve örneklem boyutları eşit değilse, (3) veriler sıralıysa (sıralamalar, derecelendirmeler), (4) normallik doğrulanamadığı için örneklem boyutları küçükse (n < 30), veya (5) gerçek (ölçüm hatası olmayan) ve kaldırılamayan aykırı değerler varsa. Veriler açıkça normal ve eşit varyanslıysa, t-testi tercih edilir (daha güçlü). Pratikte, Mann-Whitney U muhafazakar bir seçimdir; normal veriler için bile makul derecede iyi çalışır (güç kaybı ~%5), bu nedenle onu serbestçe kullanmak savunulabilir.
Mann-Whitney U testi aslında neyi test eder—medyanları mı yoksa dağılımları mı?
Teknik olarak Mann-Whitney U, dağılımların farklı olup olmadığını (stokastik baskınlık) test eder. Dağılımların aynı şekle sahip olması durumunda, test medyan farkı testini yaklaştırır. Ancak, iki dağılımın medyanları eşit ancak şekilleri farklı olabilir (örneğin, biri simetrik, diğeri çarpık). Tersine, farklı medyanlar farklı dağılımları ima eder. En iyi uygulama: her zaman her iki dağılımı kutu grafikleri veya yoğunluk grafikleri ile görselleştirin; gerçek verileri incelemek, test sonucunun medyan farkını mı yoksa daha geniş dağılım farkını mı yansıttığını netleştirir. Pratik yorumlama için hem p-değerini hem de medyan farkını raporlayın.
Parametrik olmayan testlerde bağlı sıraları nasıl ele alırım?
Bağlar (eşit değerler) ortalama sıra atanır. Örneğin, iki gözlem 5. sırayı paylaşırsa, her ikisine de 5.5 sırası atanır. Bu standart yaklaşımdır ve istatistiksel yazılımların uyguladığı şeydir. Çok sayıda bağ durumunda, test istatistiğinin ayarlanması gerekebilir (orta sıra testleri, permütasyon testleri). Bağlar çok yaygınsa (örneğin, çok sayıda sıfır değeri veya aşırı kategorize edilmiş veri), alternatifleri düşünün: permütasyon testleri veya ayrık veriler için tasarlanmış sağlam yöntemler.
Likert ölçeği verileriyle parametrik olmayan testler kullanabilir miyim?
Evet, parametrik olmayan testler Likert ölçekleri (sıralı veriler) için uygundur. Mann-Whitney U, gruplar arasındaki Likert yanıtlarının dağılımlarını karşılaştırır; Kruskal-Wallis üç veya daha fazla grubu karşılaştırır. Ancak, çok az kategorili ölçeklerle (örneğin, 3 puanlı ölçek) dikkatli olun: sürekli verilere kıyasla test gücü azalır. Alternatif olarak, çoklu madde Likert ölçekleri için (örneğin, birden fazla maddeyi birleşik bir puana toplama), birleşik puan normalliği (Merkezi Limit Teoremi) yaklaştırabilir, bu da parametrik testleri haklı çıkarır. Tek maddeli sıralı ölçümler için güvenli varsayılan olarak parametrik olmayan testleri kullanın.
Kaynaklar
- 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. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 4). Distribution-Free Hypothesis Testing. ScholarGate. https://scholargate.app/tr/research-statistics/nonparametric-tests
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Varyans Analizi (ANOVA)Araştırma istatistiği↔ karşılaştır
- Bayes İstatistiksel ÇıkarımıAraştırma istatistiği↔ karşılaştır
- Çoklu Regresyon AnaliziAraştırma istatistiği↔ karşılaştır