Nichtparametrische versus parametrische Tests. Nichtparametrische Tests (auch verteilungsfreie Tests genannt) ist ein Sammelbegriff für eine Reihe von statistischen Tests für ähnliche Anwendungsbedingungen. Sie kommen grundsätzlich in folgenden Situationen zur Anwendung:
Die zu testenden Variablen haben Ordinal- oder Nominalskalen, so dass para-metrische Tests (Tests mit Annahmen über die Verteilung der Variablen), wie z. B. der t-Test zur Prüfung auf Differenz von Mittelwerten zweier Verteilungen, der Test eines Korrelationskoeffizienten auf Signifikanz u. ä. nicht angewendet werden dürfen. Die zu testenden Variablen haben zwar ein metrisches Skalenniveau (Intervall- oder Rationalskala), aber die Datenlage gibt Anlass für die Annahme, dass die zugrundeliegenden Verteilungen nicht normalverteilt sind. Dieses gilt fir die Verteilung der Grundgesamtheit und aber insbesondere für die Stichprobenverteilung einer Prüfgröße bei kleinen Stichprobenumfängen, da hier der zentrale Grenzwertsatz nicht anwendbar ist.
- Nicht parametrische tests und
- Nichtparametrische tests beispiele
- Nicht parametrische tests de produits
Nicht Parametrische Tests Und
In SPSS können Sie Daten mit der explorativen Datenanalyse auf Normalverteilung prüfen
Empfohlene Einstellungen für die explorative Datenanalyse
Für den QQ-Plot sollten die Datenpunkte in etwa der Geraden folgen. Weiterhin sollten die Tests auf Normalverteilung nicht signifikant ausfallen. In diesem Fall gibt es keine signifikanten Abweichungen von der Normalverteilung
Die Datenpunkte weichen nicht stark von der Diagonalen ab; es liegen annähernd normale Daten vor
Um für den Test auf Normalverteilung SPSS korrekt zu verwenden empfehlen wir statistische Tests wie den Shapiro-Wilk Test nur in Kombination mit QQ-Plots zu verwenden. Der Test auf Normalverteilung mit formellen Tests weist als Verfahren nämlich einige Schwächen auf. Im Zweifelsfall sollten Sie dem visuellen Test mit QQ-Plot den Vorzug geben. Sollte die Verteilung Ihrer Daten der Überprüfung stand halten, sind Ihre Daten annähernd normal verteilt. Solange alle übrigen Annahmen für den jeweiligen Test erfüllt sind, können Sie dann parametrische Tests wie z.
Nichtparametrische Tests Beispiele
Unterscheidet sich der Effekt einer Probefahrt zwischen den 4 untersuchten Automodellen? Zusammenhang zwischen 2 Variablen
Pearson-Korrelation
Kendalls Tau oder Spearman-Korrelation
Gibt es einen Zusammenhang zwischen der Arbeitsbelastung und Krankheitstagen? Natürlich gibt es natürlich noch eine Vielzahl weiterer parametrischer und nicht-parametrischer Test für spezielle Situationen. Sie sind unsicher, welches Verfahren für Ihr Forschungsprojekt das richtige ist? Wenden Sie sich doch einfach an unsere Experten für eine Statistik Beratung! Der Voraussetzung-Check für Ihren parametrischen Test
Wenn Sie den idealen parametrischen Test für Ihre Hypothesen identifiziert haben, müssen Sie erst prüfen ob Ihre Daten über die benötigte Verteilung verfügen. Dabei gehen Sie in zwei Schritten vor. 1 – Daten auf Ausreißer prüfen
Ausreißer verfälschen sehr schnell die Verteilung Ihrer Daten. Zudem sind auch einige nicht parametrische Verfahren anfällig gegenüber Ausreißern. Daher sollten Sie Ihre Daten in jedem Fall zuerst auf Ausreißer prüfen.
Nicht Parametrische Tests De Produits
Liegen den Stichprobenmerkmalen stetige Verteilungsfunktion en zugrunde, erweist sich der Kolmogoroff- Smirnov Test wiederum als geeignetes Testverfahren. Kann dagegen unterstellt werden, dass beide Stichprobe n aus Grundgesamtheiten des gleichen Verteilungstyps stammen, und besteht lediglich Unklarkeit über die Gleichheit eines Lageparameter s, kann der Wilcoxon Rangsummentest als nichtparametrisches Testverfahren eingesetzt werden. Der Vorzeichentest als ältester nichtparametrischer Test vergleicht die Realisation en zweier verbundener Stichprobe n und prüft diese auf systematische Größenunterschiede. Schließlich kann mit dem Chi-Quadrat Unabhängigkeitstest, der auch als Kontingenztest bekannt ist, ein Paar von Stichprobenvariablen auf ihre Unabhängigkeit hin überprüft werden. Eine Verallgemeinerung des Wilcoxon Rangsummentest s stellt der Kruskal-Wallis Test zur Überprüfung von Lokationsunterschieden in k unabhängigen Stichprobe n dar. Er ist als nichtparametrisches Analogon zur einfachen parametrischen Varianzanalyse zu sehen.
Ersterer vergleicht eine Testgruppe mit einer Kontrollgruppe und prüft, ob sich die Überlebenswahrscheinlichkeit oder allgemein Verbleibedauer in beiden Gruppen unterscheidet; er wird auf zwei unabhängige Stichproben angewendet. Der Wald-Wolfowitz-Runs-Test überprüft, ob die Abfolge der Stichprobenrealisationen einer dichotomen oder dichtomisierten Zufallsvariablen mit der Nullhypothese einer zufälligen Abfolge vereinbar ist.
Überprüfen Sie das Ergebnis. Es ist zu sehen, dass der p-Wert von 0, 02599 beträgt, weniger als 0, 05 oder 0, 10. Daher können Sie schlussfolgern, dass die Sehkraft von 11-16-jährigen Personen nach drei Therapiezyklen besser ist. Außerdem ist zu sehen, dass >, d. h., die He-Ne-Laser-Therapie funktioniert besser bei Kindern im Alter von 6 bis 10. Je früher Kinder mit der Therapie beginnen, desto mehr kann sich ihre Sehkraft verbessern.