Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sin embargo, estas suposiciones no siempre son válidas para los datos que estamos
tratando de analizar, por lo que se pueden hacer ciertas transformaciones para ayudar
a ajustar los datos a estas suposiciones, para que se usen las pruebas paramétricas
habituales.
En una publicación anterior sobre el ANOVA de una vía, se mostró cómo se pueden
usar los códigos de contraste para probar las posibles relaciones polinomiales en los
predictores categóricos ordinales. Por lo tanto, no debería sorprender que un predictor
continuo tampoco tenga necesariamente una relación lineal con su variable
dependiente. En tal situación, un transformación de poder puede ser usado.
Añadiendo el Xi² término de un predictor continuo a un modelo de regresión, el
segundo -El coeficiente será una prueba para determinar si existe una relación
cuadrática; similarmente, el segundo -eficiente de un añadido Xi El término ³ será una
prueba de si existe una relación cúbica. Los términos de orden superior también
pueden incluirse, pero cada vez son más difíciles de interpretar.
Pruebas no paramétricas
Las pruebas no paramétricas se usan comúnmente cuando los datos no se
distribuyen normalmente. Estas pruebas se consideran un tipo de transformación
porque son en su mayoría equivalentes a sus equivalentes paramétricos, excepto que
los datos se han convertido a rangos (1, 2, 3, …) del valor más bajo al más alto. Sin
embargo, cuando los datos experimentan una transformación de rango, se pierde
información importante, como la varianza de los puntos de datos. Esto hace una fuerte
suposición de que los puntos de datos están ordenados de manera significativa,
incluso si en realidad están cerca unos de otros y no tienen mucha variación. Las
pruebas no paramétricas tampoco son compatibles con el informe de medias y
variaciones, pero esto puede sustituirse con el informe de medianas.
Por el bien de aquellos que aún requieren el uso de pruebas no paramétricas, he creado una
hoja de trucos para seleccionar el análisis no paramétrico para cada tipo de predictor en un
conjunto de datos, los pasos rápidos para realizar el análisis en SPSS, también como
comparar las pruebas no paramétricas contra sus equivalentes paramétricos:
Espero que esta publicación haya ayudado a resolver el misterio de lo que realmente
son las pruebas no paramétricas, cómo se relacionan realmente con las
transformaciones de datos y por qué puede no ser necesario usarlas cuando los datos
no se distribuyen normalmente.
Introducción
Hasta ahora, se han aplicado Métodos Estadísticos Paramétricos que suponen que la variable
tiene una distribución con algunas características:
Las Pruebas Estadísticas no Paramétricas tienen casi la misma capacidad para detectar las
diferencias entre las poblaciones que los métodos paramétricos tradicionales, cuando se
cumplen los supuestos de normalidad. Con frecuencia son más efectivos para discernir las
diferencias poblacionales.
Todas estas características hacen necesario su estudio mediante inferencias que por no hacer
referencia a los parámetros de la población se denomina Inferencia no Paramétrica.
Las Técnicas no Paramétricas serán así una metodología de trabajo idéntica a las técnicas
paramétricas pero con la diferencia evidente de que las hipótesis planteadas no harán
referencia al valor de los parámetros desconocidos o sus relaciones con los de otra población
Los Contrastes no Paramétricos, como también se les conoce, han sido criticados cuando en
realidad poseen cualidades que les hacen imprescindibles para el adecuado tratamiento de la
información que muchas veces llega a nosotros para su estudio.
6. Tamaño de la muestra: Con tamaños muestrales superiores a diez por lo que son más
adecuadas las Pruebas No Paramétricas; las cuales disminuyen su eficiencia
precisamente cuanto mayor es el tamaño muestral.
Finalmente, es importante puntualizar que la potencia de las Pruebas Estadísticas No
Paramétricas es superior o por lo menos igual a la de las Pruebas Estadísticas Paramétricas,
siempre que se mantengan las hipótesis de aplicación en los contrastes no paramétricos y no lo
hagan en los contrastes paramétricos; cabe recordar a este respecto que las pruebas
paramétricas son más sensibles al incumplimiento de las hipótesis de aplicación.
Prueba de
Correlación Correlación lineal (CL) Correlación de 0.91
Rangos
Dos de las herramientas más básicas en las que se basan muchas de estas Pruebas Estadísticas
No Paramétricas son:
• Tiene mucho sentido en variables continuas para ver si los grupos son
diferentes.