Inteligência Artificial |
Quando Usar Testes Não Paramétricos
Testes não paramétricos são usados quando os pressupostos exigidos pelos testes paramétricos (como distribuição normal dos dados) não são atendidos, ou quando os dados são apenas ordinais.
Eles costumam ser mais robustos a outliers e a distribuições não normais, mas em geral têm um pouco menos de poder estatístico quando os pressupostos paramétricos de fato se aplicam.
Exemplos de Testes Não Paramétricos
O teste de Mann-Whitney compara duas amostras independentes sem exigir normalidade, sendo uma alternativa não paramétrica ao teste t.
O teste de Wilcoxon compara duas amostras pareadas (por exemplo, antes e depois de uma intervenção), e o teste de Kruskal-Wallis generaliza essa ideia para mais de dois grupos.
Vantagens e Limitações
Testes não paramétricos têm a vantagem de não exigir suposições sobre a distribuição dos dados, sendo úteis quando a amostra é pequena ou os dados não seguem uma distribuição normal.
Em contrapartida, costumam ter menor poder estatístico que os testes paramétricos equivalentes, o que significa uma capacidade reduzida de detectar efeitos reais quando eles de fato existem.