Différence entre paramétrique et non paramétrique

Les chercheurs sociaux construisent souvent une hypothèse, dans laquelle ils supposent qu'une certaine règle généralisée peut être appliquée à une population. Ils testent cette hypothèse en utilisant des tests qui peuvent être paramétriques ou non paramétriques. Les tests paramétriques sont généralement plus courants et sont étudiés beaucoup plus tôt comme les tests standard utilisés lors de la recherche.

Le processus de réalisation d'une recherche est relativement simple - vous construisez une hypothèse et supposez qu'une certaine «loi» peut être appliquée à une population. Vous effectuez ensuite un test et collectez des données que vous analysez ensuite statistiquement. Les données collectées peuvent généralement être représentées comme un graphique, et la loi hypothétique comme la valeur moyenne de ces données. Si la loi hypothétique et la loi de valeur moyenne correspondent, l'hypothèse est confirmée.

Cependant, dans certains cas, trouver la valeur moyenne n'est pas le moyen le plus approprié de rechercher la loi. Un excellent exemple est la distribution du revenu total. Si vous n'avez pas égalé la valeur moyenne, c'est probablement parce qu'un ou deux milliardaires dérangent vos valeurs moyennes. Cependant, une médiane donnera un résultat beaucoup plus précis sur le revenu moyen qui est plus susceptible de correspondre à vos données.

En d'autres termes, un test paramétrique sera utilisé lorsque les hypothèses faites sur la population sont claires et qu'il y a beaucoup d'informations disponibles à ce sujet. Les questions seront conçues pour mesurer ces paramètres spécifiques afin que les données puissent ensuite être analysées comme décrit ci-dessus. Un test non paramétrique est utilisé lorsque la population testée n'est pas entièrement connue et donc les paramètres examinés sont également inconnus. De plus, alors que le test paramétrique utilise des valeurs moyennes comme résultats, le test non paramétrique prend la médiane et est donc généralement utilisé lorsque l'hypothèse d'origine ne correspond pas aux données.

Qu'est-ce qu'un test paramétrique?

Un test paramétrique est un test conçu pour fournir les données qui seront ensuite analysées via une branche de la science appelée statistique paramétrique. Les statistiques paramétriques supposent que certaines informations sur la population sont déjà connues, à savoir la distribution de probabilité. À titre d'exemple, la distribution de la hauteur du corps sur le monde entier est décrite par un modèle de distribution normal. Semblable à cela, tout modèle de distribution connu peut être appliqué à un ensemble de données. Cependant, en supposant qu'un certain modèle de distribution correspond à un ensemble de données signifie que vous supposiez intrinsèquement que certaines informations supplémentaires sont connues sur la population, comme je l'ai mentionné. La distribution de probabilité contient différents paramètres qui décrivent la forme exacte de la distribution. Ces paramètres sont ce que les tests paramétriques fournissent - chaque question est adaptée pour donner une valeur exacte d'un certain paramètre pour chaque individu interviewé. Combiné, la valeur moyenne de ce paramètre est utilisée pour la distribution de probabilité. Cela signifie que les tests paramétriques supposent également quelque chose sur la population. Si les hypothèses sont correctes, les statistiques paramétriques appliquées aux données fournies par un test paramétrique donnera des résultats beaucoup plus précis et précis que celui d'un test et de statistiques non paramétriques.

Qu'est-ce qu'un test non paramétrique?

D'une manière similaire au test paramétrique et aux statistiques, un test et des statistiques non paramétriques existent. Ils sont utilisés lorsque les données obtenues ne devraient pas s'adapter à une courbe de distribution normale ou aux données ordinales. Un excellent exemple de données ordinales est l'examen que vous laissez lorsque vous évaluez un certain produit ou service sur une échelle de 1 à 5. Les données ordinales en général sont obtenues à partir de tests qui utilisent différents classements ou ordres. Par conséquent, il ne s'appuie pas sur des nombres ou des valeurs exactes pour les paramètres sur lesquels les tests paramétriques reposent sur. En fait, il n'utilise en aucune façon les paramètres, car il ne suppose pas une certaine distribution. Habituellement, une analyse paramétrique est préférée à une analyse non paramétrique, mais si le test paramétrique ne peut pas être effectué en raison de la population inconnue, un recours à des tests non paramétriques est nécessaire.

Différence entre les tests paramétriques et non paramétriques

1) faire des hypothèses

Comme je l'ai mentionné, le test paramétrique fait des hypothèses sur la population. Il a besoin des paramètres connectés à la distribution normale utilisée dans l'analyse, et la seule façon de connaître ces paramètres est d'avoir une certaine connaissance de la population. D'un autre côté, un test non paramétrique, comme son nom l'indique, ne reposait pas sur des paramètres et n'assume donc rien au sujet de la population.

2) Probabilité de paramétrique et non paramétrique

La base de l'analyse statistique qui sera effectuée sur les données, dans le cas des tests paramétriques, est la distribution probabiliste. D'un autre côté, la base de tests non paramétriques n'existe pas - c'est complètement arbitraire. Il en résulte plus de flexibilité et facilite l'adaptation de l'hypothèse avec les données collectées.

3) mesure de la tendance centrale

La mesure de la tendance centrale est une valeur centrale dans une distribution de probabilité. Et bien que la distribution de probabilité dans le cas de statistiques non paramétriques soit arbitraire, elle existe toujours, et donc la mesure de la tendance centrale. Cependant, ces mesures sont différentes. Dans le cas des tests paramétriques, il est considéré comme la valeur moyenne, tandis que, dans le cas des tests non paramétriques, il est considéré comme la valeur médiane.

4) Connaissance des paramètres de population

Comme je l'ai mentionné dans la première différence, les informations sur la population varient entre les tests paramétriques et non paramétriques et les statistiques. À savoir, certaines connaissances sur la population sont absolument nécessaires pour une analyse paramétrique, car elle nécessite des paramètres liés à la population afin de donner des résultats précis. D'un autre côté, une approche non paramétrique peut être adoptée sans aucune connaissance préalable de la population.

Paramétrique vs. Tests non paramétriques: tableau de comparaison

Résumé du paramétrique et non paramétrique

• Un test paramétrique est un test qui suppose que certains paramètres et distributions sont connues sur une population, contrairement à celle non paramétrique
• Le test paramétrique utilise une valeur moyenne, tandis que celle non paramétrique utilise une valeur médiane
• L'approche paramétrique nécessite des connaissances préalables sur la population, contrairement à l'approche non paramétrique