O seu Blog de Psicometria

Tenha acesso à nossa enciclopédia virtual de conhecimento em Psicometria e Análise de Dados

Junte-se a mais de 22.300 membros e receba conteúdos exclusivos e com prioridade

Testes não paramétricos

psicometriaonline

jul 9, 2021

Os testes não paramétricos são métodos estatísticos que não assumem pressupostos na distribuição das variáveis ou que os dados seguem algum modelo específico.

Por exemplo, a correlação de Pearson assume que os dados são lineares. Usar este tipo de correlação para dados que não são lineares é uma quebra dos pressupostos e traz resultados que não são confiáveis. Já as correlações de Spearman e Kendall são baseadas em uma lógica de postos que não assume linearidade dos dados ou uma distribuição normal. Por isso, é comum ouvirmos dizer que as correlações de Spearman e Kendall são alternativas não paramétricas para a correlação de Pearson.

ParamétricoNão paramétrico
Teste-t para amostras independentesTeste U de Mann-Whitney
Teste-t para amostras pareadasTeste de Wilcoxon
Correlação de PearsonCorrelação de Spearman ou Kendall
ANOVATeste de Kruskal-Wallis
Alternativas não paramétricas para testes paramétricos

Posso usar testes não paramétricos quando minha amostra é pequena?

Depende. Em geral, os testes paramétricos exigem menos casos do que os não paramétricos, se a amostra for normal. Isso acontece, pois, os paramétricos têm um poder estatístico maior, o que faz com que eles sejam capazes de detectar efeitos em amostras um pouco menores do que as que um teste não paramétrico necessitaria.

Por outro lado, é difícil assumir normalidade quando temos muito poucos casos (< 30), então os não paramétricos são uma possibilidade.

Outro ponto negativo dos testes não-paramétricos é que eles podem ser mais difíceis de interpretar. Pode ser mais difícil interpretar a diferença média de postos entre dois grupos (teste U de Mann-Whitney) do que a diferença de média de dois grupos (teste t, por exemplo).

Com isso, o uso dos testes não paramétricos deve ser baseado nos pressupostos dos testes, não necessariamente como uma maneira de lidar com amostras menores.

Testes não paramétricos podem se ajustar melhor aos dados

Vale a pena saber que existe uma outra vantagem de testes não paramétricos. Como eles tem modelos mais flexíveis, eles costumam se ajustar melhor aos dados. Por exemplo, em uma regressão linear, sempre tentaremos “encaixar” nossos dados em uma linha. Porém, se usarmos uma estimativa não paramétrica, ela pode se ajustar de maneira mais livre aos dados. Um exemplo de métodos capazes disso são os Modelos Aditivos Generalizados.

Entretanto, estes modelos são menos interpretáveis. Então sempre devemos considerar uma balança entre a facilidade de interpretação e o ajuste.

Com este artigo, acredito que você já tenha uma visão geral dos testes não paramétricos. Vale muito a pena também ler a alternativa a este artigo: os testes paramétricos. É importante entender os testes com profundidade para saber os pressupostos que assumimos. Então, que tal rever os pressupostos da regressão linear?

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

Conteúdo

Mais lidos

Glossário de Análise Fatorial Exploratória

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Covariância e correlação

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Postados recentemente

Glossário de Análise Fatorial Exploratória

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Covariância e correlação

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

psicometriaonline

Posts sugeridos

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de…

Alex França

fev 11, 2024

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na…

Alex França

fev 4, 2024

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo…

Alex França

jan 28, 2024

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.