Ai datele, știi întrebarea de cercetare și acum ajungi la răscrucea de care te avertizează orice manual de metodologie: parametric sau neparametric? Studenții tratează alegerea asta fie ca pe o formalitate (aplici testul t, oricum nu verifică nimeni), fie ca pe o sursă de blocaj (trei zile petrecute holbându-te la o histogramă). Niciuna dintre variante nu te ajută. Aici lămurim ce înseamnă de fapt deosebirea, cum verifici condițiile care hotărăsc decizia și când o condiție încălcată cântărește destul cât să-ți schimbe testul.
Ce înseamnă de fapt „parametric”
Un test parametric face afirmații precise despre populația din care provine eșantionul tău. Cuvântul vine de la „parametru”, numerele fixe care descriu distribuția unei populații. Când aplici un test t pentru eșantioane independente, spui implicit: cred că populațiile din spatele acestor două grupe sunt aproximativ normale, iar calculul testului se sprijină pe estimarea mediilor și varianțelor lor. Testul își împrumută puterea din forma asta presupusă. Dacă presupunerea ține, obții rezultate precise chiar și din eșantioane relativ mici.
Testele neparametrice renunță la aproape toate aceste pretenții. În loc să lucreze cu valorile brute, de obicei transformă datele în ranguri. Testul Mann-Whitney, de pildă, aliniază toate observațiile din ambele grupe, le ordonează de la cea mai mică la cea mai mare și verifică dacă rangurile unei grupe stau sistematic mai sus decât ale celeilalte. Fiindcă rangurilor nu le pasă dacă distribuția e normală, asimetrică sau are forma unei trambuline, testul funcționează în condiții mult mai relaxate.
Schimbul e limpede. Testele parametrice presupun mai mult și, când presupunerile sunt adevărate, detectează efectele mai eficient. Testele neparametrice presupun mai puțin și plătesc pentru flexibilitatea asta cu o putere ceva mai mică în condiții ideale. Tot restul articolului e despre a decide ce parte a schimbului se potrivește datelor tale.
Testele parametrice analizează valorile brute și presupun o distribuție a populației (de obicei normală). Testele neparametrice analizează ranguri și impun condiții minime asupra distribuției. Alegerea e un schimb între eficiență și siguranță.
Cele patru condiții ale testelor parametrice
Aproape toate testele parametrice pe care le întâlnești ca student (test t, ANOVA, corelația Pearson) stau pe patru condiții. Două primesc toată atenția; celelalte două provoacă adevăratele dezastre.
1. Normalitatea
Condiția clasică. Strict vorbind, cerința se referă la reziduuri sau la distribuția de eșantionare a mediei, nu la datele brute în sine, dar în practică o apreciezi uitându-te la distribuția variabilei rezultat în interiorul fiecărei grupe. Un timp de reacție cu o coadă lungă spre dreapta, un venit unde trei participanți câștigă de zece ori mediana, o scală de depresie unde 60% dintr-un eșantion din populația generală au scoruri aproape de zero: astea sunt situațiile în care normalitatea se rupe. Ghidul nostru complet despre testarea normalității intră în detalii.
2. Măsurarea pe scală de interval sau de raport
Testele parametrice calculează medii, iar mediile au sens doar când distanța dintre valorile vecine e constantă. Diferența dintre 20 și 21 de grade Celsius e egală cu cea dintre 30 și 31. Compară asta cu un item de satisfacție notat de la 1 la 5: e saltul de la „nemulțumit” la „neutru” chiar la fel de mare ca saltul de la „mulțumit” la „foarte mulțumit”? Pentru itemii Likert luați separat, răspunsul onest e nu, ceea ce te împinge spre metodele bazate pe ranguri. Scorurile compuse dintr-o scală cu mulți itemi (să zicem un chestionar de 20 de itemi însumat într-un total) se comportă destul de aproape de datele de interval încât majoritatea cercetătorilor le tratează parametric.
3. Omogenitatea varianțelor
La testele care compară grupe, împrăștierea din fiecare grupă ar trebui să fie asemănătoare. Un grup cu tratament cu abaterea standard de 4 comparat cu un grup de control cu abaterea standard de 15 încalcă asta, iar încălcarea distorsionează rata de eroare a testului t, mai ales când grupele au volume diferite. Varianțele inegale împreună cu grupele de volume inegale e combinația care chiar strică rezultatele: dacă grupa mai mică are varianța mai mare, rata reală de eroare de tip I poate urca mult peste 5%. Dacă nu ești sigur ce rând citești în tabelul lui Levene, îți explicăm în articolul despre testul Levene semnificativ.
4. Independența observațiilor
Fiecare valoare ar trebui să fie fără legătură cu oricare alta. Măsori aceeași persoană de două ori și pui ambele scoruri într-un test pentru eșantioane independente și ai încălcat independența. Iei 30 de studenți din aceleași trei clase, iar scorurile lor sunt grupate, nu independente. Nicio corecție statistică nu salvează o condiție de independență încălcată după fapt, iar niciun test neparametric nu o repară. Wilcoxon presupune independența dintre perechi la fel ca testul t pentru perechi. Dacă nu ești sigur dacă planul tău produce date perechi sau independente, articolul despre eșantioane perechi sau independente lămurește exact această întrebare.
Studenții se agită pentru normalitate, dar independența e condiția care nu poate fi nici reparată, nici ocolită. Fă-ți întâi planul cum trebuie; forma distribuției e o problemă de rang secund.
Cum verifici fiecare condiție
Verificarea condițiilor durează vreo zece minute în SPSS, R sau jamovi. Iată trusa obișnuită.
Shapiro-Wilk pentru normalitate
Testul Shapiro-Wilk evaluează ipoteza nulă că datele provin dintr-o distribuție normală. O valoare p sub 0,05 semnalează o abatere semnificativă de la normalitate. Aplică-l în interiorul fiecărei grupe, nu pe eșantionul reunit, fiindcă două grupe normale cu medii diferite pot produce o distribuție comună care pare bimodală.
O avertizare înainte să iei rezultatul de bun. Sensibilitatea testului Shapiro-Wilk crește odată cu volumul eșantionului. La 12 subiecți, va rata o asimetrie serioasă. La 400, semnalează abateri neînsemnate pe care niciun test nu le-ar observa în practică. Tratează-l ca pe o dovadă printre altele, nu ca pe un verdict.
Graficele Q-Q pentru o verificare vizuală
Un grafic cuantilă-cuantilă pune valorile observate în raport cu valorile pe care le-ar da o distribuție normală perfectă. Datele normale se lipesc de linia diagonală de referință. Datele asimetrice se desprind la un capăt printr-o curbă; datele cu cozi grele formează un S. Cu puțin exercițiu, un grafic Q-Q îți spune mai mult decât orice statistică de test, fiindcă îți arată ce fel de abatere ai și cât de gravă e. O legănare blândă în jurul liniei e în regulă. O crosă de hochei e o problemă.
Testul lui Levene pentru omogenitatea varianțelor
Testul lui Levene verifică dacă varianțele grupelor diferă semnificativ. SPSS îl tipărește automat alături de fiecare test t pentru eșantioane independente. Dacă valoarea p a lui Levene coboară sub 0,05, nu abandona nava: citește al doilea rând din tabelul de rezultate, cel etichetat Equal variances not assumed. Acel rând raportează testul t al lui Welch, care corectează varianțele inegale și care, în opinia multor metodologi, ar trebui oricum să fie varianta implicită. Pentru ANOVA, corecția echivalentă e Welch.
Independența: verifică planul, nu datele
Aici nu există niciun buton. Întreabă-te cum au fost culese datele. Măsurători repetate de la aceiași participanți, frați în același eșantion, pacienți din aceeași clinică, răspunsuri strânse în grupuri deja formate: fiecare dintre astea creează o dependență de care trebuie să te ocupi prin alegerea testului sau a modelului, nu printr-o verificare de condiție.
Tabelul de decizie: fiecare test parametric are un frate bazat pe ranguri
Când condițiile cad destul de tare cât să conteze, fiecare test parametric obișnuit are un echivalent neparametric care răspunde la o întrebare foarte apropiată.
| Situația de cercetare | Test parametric | Alternativă neparametrică |
|---|---|---|
| Compari 2 grupe independente | Test t pentru eșantioane independente | Testul Mann-Whitney |
| Compari 2 măsurători perechi | Test t pentru eșantioane perechi | Testul Wilcoxon |
| Compari 3+ grupe independente | ANOVA unifactorială | Testul Kruskal-Wallis |
| Compari 3+ măsurători perechi | ANOVA cu măsurători repetate | Testul Friedman |
| Legătura dintre 2 variabile continue | Corelația Pearson | Rho al lui Spearman |
Observă expresia „o întrebare foarte apropiată” de mai sus. Schimbul nu e perfect curat. Testul t compară medii; Mann-Whitney compară distribuții întregi de ranguri, ceea ce în anumite condiții echivalează cu compararea medianelor. De obicei deosebirea nu schimbă nimic în concluzii, dar redactarea ta ar trebui să descrie ce a examinat de fapt testul. Raportezi mediane și intervale intercuartilice alături de un rezultat Mann-Whitney, nu medii și abateri standard.
Dacă vrei un traseu ghidat prin acest tabel, instrumentul interactiv de alegere a testului îți pune câteva întrebări despre variabile și plan și îți indică testul potrivit. Logica mai largă din spatele alegerii e acoperită în articolul despre ce test statistic alegi.
Când chiar contează încălcările
Iată partea pe care manualul probabil ți-a vândut-o prea ieftin. Testele parametrice tolerează surprinzător de multe încălcări ale condițiilor, iar motivul e teorema limitei centrale: pe măsură ce volumul eșantionului crește, distribuția de eșantionare a mediei se apropie de cea normală, indiferent de forma populației din spate. Testului t îi pasă de acea distribuție de eșantionare, nu de histograma ta.
Câteva praguri practice, adunate din decenii de studii de simulare. Sub cam 15 pe grupă, forma distribuției contează mult. O variabilă asimetrică cu 10 subiecți pe grupă e o problemă adevărată, iar testele bazate pe ranguri își merită locul aici. Între vreo 15 și 30 pe grupă, o asimetrie moderată e de obicei tolerabilă, deși o asimetrie puternică sau valorile extreme tot distorsionează rezultatele. Peste 30 pe grupă, testul t se descurcă cu majoritatea distribuțiilor realiste, iar pe la 50 pe grupă chiar și datele vizibil asimetrice rareori schimbă concluzia de fond. Lucrările de simulare ale lui Fagerland (2012) și ale altora arată că, pe eșantioane mari, grija se răstoarnă: Mann-Whitney poate detecta diferențe de formă sau de împrăștiere care nu au nicio legătură cu medianele pe care crezi că le compari.
Două rezerve nu lasă asta să devină o cale liberă. Prima: teorema limitei centrale protejează rata de eroare de tip I, nu puterea ta; cozile grele și valorile extreme tot trag puterea în jos, așa că un test bazat pe ranguri poate fi de fapt alegerea mai sensibilă pentru distribuții cu adevărat urâte. A doua: teorema nu spune nimic despre condițiile de varianță și de independență. Un eșantion de 500 nu te scoate din problema observațiilor grupate.
Dacă datele tale nu sunt normale și eșantionul e mic, ai și alte opțiuni în afară de schimbarea testului, printre care transformările și metoda bootstrap. Comparăm aceste trasee în articolul despre datele care nu sunt normal distribuite.
Cu 30+ participanți pe grupă, o abatere ușoară spre moderată de la normalitate rareori justifică abandonarea unui test t sau a unei ANOVA. Sub 15 pe grupă, ia forma distribuției în serios.
Două greșeli pe care studenții le fac întruna
Alegerea neparametricului „ca să fim siguri”
Sună virtuos și te costă putere. Un student vede o valoare p Shapiro-Wilk de 0,03 într-un eșantion de 200, intră în panică și aplică Kruskal-Wallis pe tot. Urmează două probleme. Abaterea ușoară de la normalitate era irelevantă la acel volum de eșantion, așa că prudența nu a cumpărat nimic. Iar testul bazat pe ranguri a aruncat informația din valorile brute, făcând un efect real mai greu de detectat și tăind accesul la mărimile de efect obișnuite, la intervalele de încredere și la procedurile post-hoc pe care le așteaptă coordonatorii și comisia. Testele neparametrice sunt o unealtă pentru situații anume, nu un talisman de protecție.
Ignorarea completă a condițiilor
Eșecul opus e să aplici un test t pe 9 participanți pe grupă, cu o variabilă rezultat unde jumătate din eșantion a scorat zero, apoi să raportezi p = 0,048 ca pe o descoperire. La acel volum, cu acea distribuție, valoarea p nu e demnă de încredere. Comisia observă. O disertație care raportează „testul Shapiro-Wilk a indicat o abatere semnificativă de la normalitate în grupul de control, W = 0,81, p = 0,002, așa că s-a folosit testul Mann-Whitney” arată exact competența pe care o caută evaluatorii, și încape în două fraze.
Calea de mijloc, cinstită: verifică condițiile de fiecare dată, raportează ce ai găsit și lasă volumul eșantionului să hotărască câtă greutate au verificările.
Problema puterii
Puterea e probabilitatea ca testul tău să detecteze un efect care chiar există și e locul unde schimbul dintre parametric și neparametric apare în cifre. Când datele chiar sunt normale, testul Mann-Whitney lucrează la vreo 95% din eficiența testului t (eficiența relativă asimptotică e 3/π ≈ 0,955). Concret, un studiu care are nevoie de 100 de participanți pentru o putere corespunzătoare cu testul t ar avea nevoie de vreo 105 cu Mann-Whitney. E un impozit modest, motiv pentru care obiceiul „ca să fim siguri”, deși risipitor, rareori e catastrofal.
Comparația se răstoarnă la cozi grele. Când valorile extreme sau asimetria puternică strică datele, testele bazate pe ranguri pot fi mult mai puternice decât frații lor parametrici, fiindcă o singură valoare sălbatică umflă estimarea varianței într-un test t, dar abia mișcă rangurile. Deci argumentul puterii taie în ambele direcții: cu date normale curate testul parametric câștigă cu puțin, iar cu date cu cozi grele testul neparametric poate câștiga la mare distanță.
Planificarea volumului eșantionului ar trebui să reflecte alegerea ta. Dacă te aștepți la date asimetrice și plănuiești de la început o analiză Wilcoxon sau Mann-Whitney, adaugă acele 5–15% în plus la ținta de recrutare, nu descoperi lipsa după ce ai strâns datele.
O procedură de lucru
Le adunăm pe toate în ordinea pe care o folosim cu studenții care ne aduc datele lucrării. Pornește de la plan. Confirmă independența și stabilește dacă eșantioanele sunt perechi sau independente, fiindcă asta decide familia de teste înainte ca distribuțiile să intre în discuție. Verifică apoi nivelul de măsurare: itemii ordinali luați separat te împing spre teste bazate pe ranguri, indiferent de orice altceva. În continuare, examinează distribuțiile din fiecare grupă cu un grafic Q-Q și cu Shapiro-Wilk, interpretând ambele în lumina volumului eșantionului. Verifică testul lui Levene pentru comparațiile între grupe, ținând minte că corecția lui Welch rezolvă problemele de varianță fără să părăsești familia parametrică. Abia atunci alegi: parametric când condițiile țin sau eșantioanele sunt destul de mari cât teorema limitei centrale să acopere abaterile ușoare, neparametric când eșantioanele sunt mici și distribuțiile sunt clar nenormale, sau când variabila rezultat e cu adevărat ordinală.
Orice ai alege, scrie de ce. O frază în capitolul de metodologie care explică alegerea face mai mult pentru credibilitatea ta decât alegerea în sine. Iar dacă te uiți la propriul fișier de date fără să știi ce ramură se aplică, instrumentul de alegere a testului te duce la un răspuns pe care îl poți susține în mai puțin de două minute.