Archief - Statistiek

Kan iemand mij het verschil uitleggen tussen parametrische en niet-parametrische testen? En wat betekenen de begrippen homoskedastisch/heteroskedastisch?

Heteroscedasticiteit is dat je varianties niet constant zijn. Bijvoorbeeld bij een residuplot kan je dat zien als je afwijkingen t.o.v het gemiddelde niet in parallele banden liggen. Homoscedasticiteit is juist het omgekeerde. Over parametrisch en niet-parametrisch weet ik niet ongeveer wat dat betekent. Ik denk dat parametrisch meer gebaseerd is op gemiddeldes enzo terwijl niet-parametrisch op medianen gebaseerd zijn. Het kan verkeerd zijn hoor wat ik zeg over para en niet-para

*edit* ben mis

*edit2*

Wiki

en verdelingsvrije toets is een statistische toets waarbij geen veronderstellingen over de onderhavige verdeling nodig zijn. Bij de meestgebruikte statistische toetsen wordt er wel van uitgegaan dat de gemeten waarden afkomstig zijn uit een verdeling die op een of meer parameters na bekend is, bijvoorbeeld een normale verdeling met onbekende verwachtingswaarde.
Een verdelingsvrije toets wordt ook wel een parametervrije toets genoemd, maar die naam is verwarrend. Het is namelijk een methode waar best parameters in mogen voorkomen. Een betere vertaling van het Engelse non parametric test zou niet-parametrische toets zijn: het is namelijk niet een parametrische toets. In het Nederlands is de officiële aanduiding beduidend accurater: verdelingsvrije toets.

Parametrische testen kan je gebruiken als de gegevens normaal verdeeld zijn en metrisch zijn (interval/ratio) en niet-parametrisch is voor de gegevens (ratio/interval) die niet normaal verdeeld zijn of ordinale of nominale gegevens. Ofzoiets.

Bij een eenvoudige independent samples t-test of een one way ANOVA test wordt er vanuit gegaan dat:

- de observaties normaal verdeelt zijn in elke groep apart
- de varianties van de observaties in de groepen gelijk is (i.e. homoskedasticiteit)
(- dat alle observaties onafhankelijk zijn van elkaar, iets wat ge meestal aanneemt als waar zijnde)

Bij non-parametrische testen (zoals permutatie tests, wilcoxon-mann-whitney test, ...) ga je hier niet van die eerste 2 assumpties uit. Het is echter geen goed idee om altijd non-parametrische testen te gebruiken ook al zijn ze altijd toepasbaar voor elke onderliggende distributie (bvb. een lognormale distributie). Indien de assumpties onderliggende de ANOVA test voldaan zijn, dan bezit deze een hogere 'power' dan de non-parametrische testen. ('power' zijnde de kans dat een alternatieve hypothesis aanvaard wordt, conditioneel op het feit dat deze alternatieve hypothese ook echt waar is)