ETFFIN Finance >> Curso de Finanças Pessoais >  >> Gestão Financeira >> Finanças

Entendendo Estatística Não Paramétrica: Guia Completo

O que são Estatísticas Não Paramétricas?

Estatísticas não paramétricas referem-se a um método estatístico no qual os dados não são assumidos como provenientes de modelos prescritos determinados por um pequeno número de parâmetros; exemplos incluem modelo de distribuição normal e modelo de regressão linear. Às vezes usam dados ordinais, que não dependem de números, mas de ranking ou ordem. Por exemplo, pesquisa transmitindo preferências do consumidor variando de "gostei" a "não gostei" seria considerado dado ordinal.

Estatísticas não paramétricas incluem estatísticas descritivas não paramétricas, modelos estatísticos, inferência e testes estatísticos. A estrutura do modelo não paramétrico não é especificada a priori, mas determinada a partir dos dados. O termo não paramétrico não implica que tais modelos careçam completamente de parâmetros, mas que o número e natureza dos parâmetros são flexíveis e não fixados antecipadamente. Um histograma é exemplo de estimativa não paramétrica de distribuição de probabilidade.

Principais Conclusões

  • Estatísticas não paramétricas são fáceis de usar, mas não oferecem a precisão exata de outros modelos estatísticos.
  • Este tipo de análise é frequentemente mais adequado ao considerar a ordem de algo, onde mesmo se os dados numéricos mudarem, os resultados provavelmente permanecerão os mesmos.

Entendendo Estatísticas Não Paramétricas

Em estatística, estatísticas paramétricas incluem parâmetros como média, desvio padrão, correlação de Pearson, variância, etc. Esta forma usa dados observados para estimar parâmetros da distribuição. Assume-se que dados vêm de distribuição normal com parâmetros desconhecidos μ (média populacional) e σ² (variância populacional), estimados usando média e variância amostrais.

Estatísticas não paramétricas não fazem suposição sobre tamanho da amostra ou se os dados observados são quantitativos.

Não assumem que dados vêm de distribuição normal. Em vez disso, a forma da distribuição é estimada. Embora em muitas situações distribuição normal possa ser assumida, há cenários onde o processo gerador de dados verdadeiro está longe de ser normalmente distribuído.

Exemplos de Estatísticas Não Paramétricas

Exemplo 1: Um analista financeiro deseja estimar o Value-at-Risk (VaR) de um investimento. Reúne dados de lucros de centenas de investimentos similares em horizonte temporal similar. Em vez de assumir distribuição normal, usa histograma para estimar a distribuição não parametricamente. O 5º percentil deste histograma fornece estimativa não paramétrica de VaR.

Exemplo 2: Pesquisador quer saber se horas médias de sono estão ligadas à frequência de adoecer. Como muitos adoecem raramente ou nunca, e outros adoecem muito mais que a maioria, a distribuição de frequência de doença é claramente não normal, sendo assimétrica à direita e propensa a outliers. Em vez de método que assume normalidade (como regressão clássica), usa método não paramétrico como análise de regressão quantílica.

Considerações Especiais

Estatísticas não paramétricas ganharam apreciação devido à facilidade de uso. Como a necessidade de parâmetros é aliviada, os dados tornam-se aplicáveis a maior variedade de testes. Podem ser usadas sem média, tamanho da amostra, desvio padrão, ou estimativa de outros parâmetros quando nenhuma informação está disponível.

Como fazem menos suposições sobre dados da amostra, sua aplicação é mais ampla que estatísticas paramétricas. Em casos onde teste paramétrico é mais apropriado, métodos não paramétricos serão menos eficientes, pois descartam informação disponível nos dados, diferentemente das estatísticas paramétricas.