Statistik nonparametrik adalah metode yang membuat inferensi statistik tanpa memperhatikan distribusi yang mendasarinya. Metode ini cocok dengan distribusi normal tanpa asumsi. Biasanya, pendekatan menggunakan data yang seringkali berupa data ordinal. Data ordinal Dalam statistik, data ordinal adalah jenis data yang nilainya mengikuti tatanan alam. Salah satu fitur yang paling menonjol dari data ordinal adalah karena data ini lebih mengandalkan peringkat daripada angka.
Statistik nonparametrik dapat dibandingkan dengan statistik parametrik. Pendekatan terakhir membuat asumsi eksplisit tentang distribusi data yang diamati dan memperkirakan parameter distribusi menggunakan data yang sama.
Ringkasan
- Statistik nonparametrik adalah metode yang mengabaikan distribusi yang mendasari saat membuat inferensi statistik.
- Metode statistik nonparametrik bertujuan untuk menemukan distribusi yang mendasari yang tidak diketahui dari data yang diamati, serta untuk membuat inferensi statistik jika tidak ada distribusi yang mendasarinya.
- Peneliti disarankan untuk mempertimbangkan kelemahan, kekuatan, dan potensi jebakan dari statistik nonparametrik.
Memahami Statistik Nonparametrik
Pertimbangkan data dengan parameter yang tidak diketahui µ (mean) dan σ2 (varians). Sedangkan statistik parametrik berasumsi bahwa data diambil dari distribusi normal Distribusi Normal Distribusi normal juga disebut sebagai distribusi Gaussian atau Gauss. Jenis distribusi ini banyak digunakan dalam ilmu alam dan sosial. Statistik nonparametrik tidak mengasumsikan bahwa data berdistribusi normal atau kuantitatif. Dalam hal ini, statistik nonparametrik akan memperkirakan bentuk distribusinya sendiri, bukan memperkirakan individu µ dan σ2.
Di sisi lain, statistik parametrik akan menggunakan mean sampel dan deviasi standar sampel untuk memperkirakan nilai µ dan σ2, masing-masing. Struktur model statistik nonparametrik disimpulkan dari data yang diamati, sebagai lawan dari apriori tertentu . Istilah nonparametrik itu sendiri menyiratkan bahwa jumlah dan sifat parameter bersifat fleksibel, dan bukan berarti mereka kekurangan parameter sama sekali.
Jenis Statistik Nonparametrik
Ada dua jenis utama metode statistik nonparametrik. Metode pertama berusaha untuk menemukan distribusi yang mendasari yang tidak diketahui dari data yang diamati, sedangkan metode kedua mencoba membuat kesimpulan statistik dengan mengabaikan distribusi yang mendasarinya.
Metode kernel dan histogram Histogram Histogram digunakan untuk meringkas data diskrit atau kontinu. Dengan kata lain, histogram memberikan interpretasi visual dari data numerik dengan menunjukkan jumlah titik data yang berada dalam rentang nilai tertentu (disebut "bins"). Histogram mirip dengan grafik batang vertikal. Namun, histogram, biasanya digunakan untuk memperkirakan nilai parameter pada pendekatan pertama. Sebaliknya, metode terakhir melibatkan pengujian hipotesis tanpa nilai aktual data melainkan berdasarkan urutan peringkat data.
Uji statistik nonparametrik cenderung lebih mudah diterapkan dibandingkan statistik parametrik, mengingat minimnya asumsi tentang parameter populasi. Prosedur matematika standar untuk pengujian hipotesis tidak membuat asumsi tentang distribusi probabilitas - termasuk uji-t distribusi, uji tanda, dan kesimpulan populasi tunggal.
Misalnya, saat menguji hipotesis bahwa "ada perbedaan median", dua variabel acak, X dan Y, tentukan dua distribusi kontinu antara tempat hipotesis dilakukan, dan sampel berpasangan diambil. Selain memiliki penerapan umum, pengujian ini juga tidak memiliki kekuatan statistik dari pengujian lain, mengingat pengujian ini bekerja berdasarkan beberapa asumsi.
Contoh Statistik Nonparametrik
Mari kita asumsikan bahwa seorang peneliti tertarik untuk memperkirakan jumlah bayi yang lahir dengan penyakit kuning di negara bagian California. Analisis kumpulan data dapat dilakukan dengan mengambil sampel 5.000 bayi. Perkiraan dari seluruh populasi bayi yang mengandung penyakit kuning yang lahir pada tahun berikutnya adalah hasil pengukuran.
Untuk kasus kedua, pertimbangkan dua kelompok peneliti yang berbeda. Mereka tertarik untuk mengetahui apakah pemasaran selimut atau pemasaran komersial dikaitkan dengan seberapa cepat perusahaan memperoleh pemosisian merek. Dengan asumsi bahwa ukuran sampel dipilih secara acak, distribusinya mengenai seberapa cepat perusahaan menyadari positioning merek Market Positioning Market Positioning mengacu pada kemampuan untuk mempengaruhi persepsi konsumen mengenai merek atau produk relatif terhadap pesaing. Tujuan pasar bisa dianggap normal. Namun demikian, percobaan yang mengukur tujuan strategis perusahaan untuk mengatasi dinamika pasar (yang juga menentukan positioning merek) tidak dapat dianggap sebagai distribusi normal.
Ide utama di balik fenomena ini adalah bahwa data yang dipilih secara acak mungkin berisi faktor-faktor seperti dinamika pasar. Di sisi lain, jika faktor-faktor seperti segmen pasar dan persaingan ikut bermain, tujuan strategis perusahaan kemungkinan tidak akan memengaruhi ukuran sampel. Pendekatan seperti itu efektif jika data tidak memiliki interpretasi numerik yang jelas.
Misalnya, pengujian tentang apakah pelanggan lebih memilih produk tertentu karena nilai nutrisinya dapat mencakup peringkat metrik sebagai sangat setuju, setuju, acuh tak acuh, tidak setuju, dan sangat tidak setuju. Dalam skenario seperti itu, metode nonparametrik akan berguna.
Poin Penting
Menggunakan pendekatan statistik nonparametrik dalam penelitian membutuhkan uji tuntas pada kelemahan, kekuatan, dan potensi jebakannya. Memang benar untuk distribusi data yang memiliki kelebihan kurtosis atau kemiringan; uji nonparametrik berbasis peringkat ternyata lebih ampuh daripada uji parametrik.
Meskipun demikian, tidak semua contoh di mana, jika asumsi parametrik tidak terpenuhi, kami mengadopsi statistik nonparametrik sebagai metode pengganti karena tingkat kepercayaan yang relatif rendah diperoleh dari statistik sebelumnya.
Statistik nonparametrik dihargai karena dapat diterapkan dengan mudah. Data menjadi lebih dapat diterapkan untuk berbagai pengujian karena parameternya tidak wajib. Lebih penting lagi, statistik dapat digunakan jika tidak ada informasi penting, seperti mean, deviasi standar, atau ukuran sampel. Fitur tersebut menjadikan statistik nonparametrik memiliki cakupan penerapan yang lebih luas dibandingkan dengan statistik parametrik.
Sumber daya tambahan
Finance adalah penyedia resmi Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ Certification Akreditasi Certified Banking & Credit Analyst (CBCA) ™ adalah standar global untuk analis kredit yang mencakup keuangan, akuntansi, analisis kredit, analisis arus kas , pemodelan perjanjian, pembayaran kembali pinjaman, dan lainnya. program sertifikasi, yang dirancang untuk membantu siapa saja menjadi analis keuangan kelas dunia. Untuk terus memajukan karier Anda, sumber daya Keuangan tambahan di bawah ini akan berguna:
- Konsep Statistik Dasar dalam Keuangan Konsep Statistik Dasar untuk Keuangan Pemahaman yang kuat tentang statistik sangat penting dalam membantu kita lebih memahami keuangan. Selain itu, konsep statistik dapat membantu memonitor investor
- Pengujian Hipotesis Pengujian Hipotesis Pengujian Hipotesis adalah suatu metode inferensi statistik. Ini digunakan untuk menguji apakah pernyataan mengenai parameter populasi benar. Pengujian hipotesis
- Data Nominal Data Nominal Dalam statistik, data nominal (juga dikenal sebagai skala nominal) adalah jenis data yang digunakan untuk melabeli variabel tanpa memberikan nilai kuantitatif.
- Tes Nonparametrik Tes Nonparametrik Dalam statistik, tes nonparametrik merupakan metode analisis statistik yang tidak memerlukan suatu distribusi untuk memenuhi asumsi yang dibutuhkan untuk dianalisis
