¿Qué son los exámenes no paramétricos?

Las pruebas no paramétricas, a menudo llamadas pruebas sin distribución, son métodos estadísticos que no dependen de distribuciones específicas de probabilidad (como la distribución normal) para la población de la que se extrae una muestra. En lugar de asumir una forma particular para los datos, estas pruebas funcionan en rangos, signos o conteos, haciéndolos altamente flexibles cuando se violan las hipótesis paramétricas tradicionales.

Debido a que se basan en las filas en lugar de los valores brutos, las pruebas no paramétricas son menos sensibles a las puntuaciones extremas. Un outlier que cambiaría drásticamente una varianza media e inflada en una prueba paramétrica tiene sólo un efecto limitado en las posiciones de rango. Esta resiliencia los hace ideales para datos reales que a menudo incluyen el efecto de la esqueja, escalas límite (por ejemplo, 0-10 clasificaciones) o tamaños de muestra de muestra.

Pruebas paramétricas vs. no paramétricas: diferencias clave

La elección entre los aros paramétricos y no paramétricos de pruebas en tres supuestos principales: normalidad, homogeneidad de la varianza y nivel de medición. Las pruebas paramétricas asumen que los datos se extraen de una población normalmente distribuida, que las diferencias entre grupos son iguales (homoscedasticidad), y que las variables se miden en una escala de intervalos o ratio (donde los intervalos entre valores son significativos e iguales).

Considere un escenario de dos muestras. El test t-test independiente paramétrico compara los medios bajo la suposición de que ambos grupos provienen de distribuciones normales con diferencias iguales. Si esas condiciones son cuestionables, el test Mann‐Whitney U (no paramétrico) compara los medios de comunicación al clasificar todas las observaciones juntas. De manera similar, ANOVA de una sola dirección requiere normalidad y homogeneidad, mientras que el test par Kruskal-Wallis H ofrece una excelente alternativa

  • Grupos independientes (dos): t‐test → Mann‐Whitney U test
  • Grupos pares (dos): t‐test → Wilcoxon firmado test de ancla
  • Grupos independientes (≥3): ANOVA → Kruskal‐Wallis H prueba
  • Medidas repetidas (≥3): repetidos mensajes ANOVA → Prueba Friedman
  • Correlación: Pearson r → Correlación de rango de Spearman (ρ)

En la práctica, muchos investigadores utilizan pruebas no paramétricas como un defecto cuando los tamaños de las muestras son pequeños (por ejemplo, menos de 30 por grupo) o cuando los datos contienen atípicos que no pueden ser transformados o eliminados. Campos como psicología, educación y salud a menudo se ocupan de respuestas en escala de Likert u otras medidas ordinal, haciendo que los métodos no paramétricos sean una primera opción natural.

Tipos comunes de ensayos no paramétricos

Existen una amplia variedad de pruebas no paramétricas, cada una adaptada a diseños específicos de investigación. Las secciones siguientes cubren las pruebas más utilizadas, explicando su propósito, suposiciones y aplicaciones típicas.

Mann‐Whitney U Test (Dos Grupos Independientes)

El test Mann‐Whitney U es el equivalente no paramétrico de las muestras independientes t‐test. Determina si un grupo tiende a tener valores más grandes que el otro clasificando todas las observaciones de ambos grupos juntos, luego comparando la suma de las filas entre los grupos. Un resultado significativo indica que las distribuciones difieren en la ubicación (es decir, un grupo tiende a producir resultados más altos o inferiores).

Prueba de Wilcoxon Signed‐Rank (Dos muestras relacionadas)

El test de Wilcoxon firmado-rank es el contraparte de la prueba t emparejado. Está diseñado para pares igualados o medidas repetidas en los mismos temas - como mediciones anteriores y posteriores. El test calcula las diferencias entre cada par, clasifica las diferencias absolutas, y luego resume las filas separadamente para diferencias positivas y negativas. Si no hay cambio sistemático, las sumas deben ser similares. Un ejemplo típico antes de medir la presión arterial es

Kruskal‐Wallis H Test (Tres o Más Grupos Independientes)

El test Kruskal‐Wallis amplía el enfoque Mann‐Whitney para comparar tres o más grupos independientes. Es el análogo no paramétrico a una distancia ANOVA. Todos los datos de todos los grupos están clasificados juntos, y las filas promedios de los grupos se comparan. Un resultado significativo indica que al menos la distribución de un grupo difiere del resto. Por ejemplo, un investigador que compara el resultado de Krulli puede tener eficacia en tres dietas

Prueba de Friedman (Tres o Más Grupos Relacionados)

El test de Friedman es la alternativa no paramétrica a las mediciones repetidas ANOVA (una sola vía dentro de subjetos ANOVA). Se utiliza cuando los mismos temas se miden en tres o más condiciones, o cuando los sujetos se combinan en condiciones. El test clasifica cada sujeto por separado en condiciones, luego compara las sumas de las filas para cada condición. Un resultado significativo sugiere que las condiciones difieren en la tendencia central.

Prueba de independencia de Chi‐Square (Datos categóricos)

Aunque a menudo se agrupan con métodos no paramétricos, la prueba chi‐square funciona con frecuencias o conteos de variables categóricas. Evalua si hay una asociación significativa entre dos variables categóricas comparando frecuencias observadas con las esperadas bajo la hipótesis nula de independencia. La prueba no asume normalidad, pero requiere que la frecuencia esperada para cada célula es al menos 5 para que la aproximación sea válida.

Coeficiente de Correlación Rank de Spearman (Relaciones Ordinal o Monotónica)

Spearman’s ρ es una medida no paramétrica de la fuerza y dirección de una relación monotónica entre dos variables. Funciona clasificando cada variable por separado y luego computando la correlación de Pearson en esas filas. A diferencia del r de Pearson, Spearman’s ρ no asume linearity o normality, haciendo que sea adecuado para datos ordinal o datos con los outliers.

Pruebas adicionales

Otras pruebas no paramétricas útiles incluyen prueba de señalización (una versión simplificada de la prueba de Wilcoxon firmado-rank que utiliza sólo la dirección de las diferencias), la Prueba de Kolmogorov‐Smirnov (en comparación con dos distribuciones independientes sin necesidad de tamaños de muestra iguales), y las Prueba mediana de Mood (un rápido chequeo de diferencias en medianas entre grupos). Aunque menos comúnmente se utiliza, cada uno llena un nicho específico cuando los datos son violaciones graves de las suposiciones.

Cuándo utilizar pruebas no paramétricas: Directrices prácticas

Elegir una prueba no paramétrica sobre su contraparte paramétrica depende de la estructura de datos y el diseño de estudio. A continuación se presentan escenarios claros donde los métodos no paramétricos son preferibles:

  • Datos ordinal: Escalas de la derivación, preferencias clasificadas o cualquier medida donde los intervalos no sean iguales. Las pruebas paramétricas asumen intervalo o medición de la relación.
  • Tamaños de muestra pequeños: Con menos de 20 observaciones por grupo, las pruebas de normalidad (por ejemplo, Shapiro‐Wilk) tienen baja potencia, por lo que el uso de una prueba no paramétrica es más seguro.
  • Violaciones graves de la normalidad: Incluso con muestras más grandes (por ejemplo, n = 50 o más), si los datos son altamente segados, bimodales o tienen colas pesadas, las pruebas no paramétricas proporcionan inferencias más válidas.
  • Presencia de los atípicos: Los atípicos pueden afectar dramáticamente la media y la varianza empleadas en pruebas paramétricas. Los métodos a base de rancio resisten tal distorsión.
  • Variaciones heterogéneas: Cuando las diferencias de grupo son drásticamente diferentes y las transformaciones no ayudan, las pruebas no paramétricas (como el Mann‐Whitney con una corrección) son más robustas.

Vale la pena señalar que las pruebas no paramétricas pueden utilizarse con muestras más grandes incluso cuando se cumplen las suposiciones, aunque son menos potentes. Muchos estadísticos recomiendan comprobar primero las suposiciones paramétricas. Si están satisfechos, use la prueba paramétrica para ganar potencia; si no, cambie a una alternativa no paramétrica. Los árboles de decisión y los diagramas de flujo están disponibles en línea para guiar esta opción; vea por ejemplo el Sinopsis de prueba paramétrica.

Ventajas y desventajas de los ensayos no paramétricos

Ventajas

  • No hay hipótesis de distribución: No requieren normalidad, varianza constante o linealidad, haciéndolos ampliamente aplicables en muchos tipos de datos.
  • Trabajar con datos ordinal: Muchas mediciones del mundo real (por ejemplo, respuestas de encuestas, puntajes de gravedad, rankings) son ordinal. Las pruebas no paramétricas están diseñadas para estas escalas.
  • Robusto a los más fuertes: Debido a que utilizan las filas en lugar de los valores brutos, las observaciones extremas tienen influencia limitada en la estadística de prueba.
  • Facilidad de la computación: Algunas pruebas no paramétricas (por ejemplo, prueba de signos) son lo suficientemente simples para calcular a mano, y el software moderno hace que todos ellos funcionen de forma directa.
  • Aplicable a muestras muy pequeñas: Incluso con 6-10 observaciones, algunas pruebas no paramétricas pueden producir resultados significativos cuando las pruebas paramétricas serían inválidas (por ejemplo, debido a la violación de la normalidad).
  • Interpretabilidad: Muchas pruebas no paramétricas proporcionan resultados basados en medianas y cuartiles, que son más fáciles de comunicar a los públicos no estadísticos en campos como la medicina y la ciencia social.

Desventajas

  • Potencia estadística inferior: Cuando los datos cumplen con las suposiciones paramétricas, las pruebas no paramétricas son menos eficientes, requieren tamaños de muestra más grandes para detectar el mismo tamaño de efecto.
  • Menos opciones para diseños complejos: Multi-way ANOVA, interacciones y medidas repetidas con múltiples factores tienen análogos no paramétricos limitados. Técnicas avanzadas como pruebas de permutación o arranque pueden ser necesarias.
  • Pérdida de información: Convertir datos continuos en filas descarta cierta información sobre la magnitud de las diferencias, lo que podría conducir a la pérdida de sensibilidad.
  • Menos intuitiva salida: Las pruebas paramétricas proporcionan estimaciones como diferencias medianas, que son fáciles de interpretar. Las pruebas no paramétricas a menudo reportan diferencias medianas o sumas de rango, que pueden requerir una explicación cuidadosa.
  • Las comparaciones post-hoc pueden ser más complejas: Después de una prueba significativa de Kruskal‐Wallis, se dispone de múltiples procedimientos de comparación (por ejemplo, la prueba de Dunn, la prueba de Conover) pero requieren una selección cuidadosa para evitar el error de tipo I inflado.

En la práctica, los investigadores pesan estos cambios. Para estudios con resultados ordinal o muestras pequeñas, la robustez de las pruebas no paramétricas generalmente supera la pérdida de poder. Como regla de pulgar, si usted está incierto acerca de la distribución, es mejor aplicar una prueba no paramétrica que reportar un resultado paramétrico inválido.

Cómo informar de los resultados de los exámenes no paramétricos

Al escribir los resultados de una prueba no paramétrica, incluyen la estadística de prueba (por ejemplo, U, W, H, χ2), los grados de libertad (si procede), el valor p y una medida de tamaño de efecto. Los tamaños de efecto comunes para las pruebas no paramétricas incluyen:

  • Mann‐Whitney U: correlación biserial (clase de rango)r) = 1 – (2U)/(n1n2) o el delta de Cliff.
  • Wilcoxon firmó‐rank: correlación biserial de rango igualado.
  • Kruskal‐Wallis: epsilon‐squared (ε2) o eta‐squared basado en las filas.
  • El ρ de Spearman: reporte ρ y su intervalo de confianza.

Informe medianas y rangos intercuartiles (IQR) en lugar de los medios y las desviaciones estándar. Por ejemplo: “Una prueba Mann‐Whitney U indicó que la puntuación mediana para el grupo de tratamiento (Mdn = 7, IQR = 5-8) fue significativamente mayor que para el grupo de control (Mdn = 4, IQR = 3–5), U = 42, p = rial = .002, rbi

Aplicación del software

Todos los principales paquetes estadísticos soportan pruebas no paramétricas. A continuación se presentan llamadas comunes de función:

  • R: para Mann‐Whitney y Wilcoxon firmaron‐rank; para Kruskal‐Wallis; para Friedman; para el chi‐square; para la ρ de Spearman.
  • Python (SciPy): , , , , .
  • SPSS: Bajo “Analyze → Pruebas noparamétricas”, elija Dialogs Legacy para menús antiguos o las opciones más nuevas “Una muestra / muestras independientes / muestras relacionadas”.
  • SAS: para pruebas no paramétricas de una sola dirección; para el qui-cuare; para la correlación de Spearman.

Para instrucciones más detalladas y ejemplos trabajados, Guía de estadísticas de laerd sobre pruebas no paramétricas proporciona soporte paso a paso.

Conclusión

Los datos no paramétricos son instrumentos esenciales en el kit de herramientas estadísticas del investigador. Proporcionan inferencias válidas cuando los datos no cumplen con las estrictas suposiciones de métodos paramétricos, especialmente con datos ordinal, tamaños de muestras pequeños o la presencia de atípicos. Comprensión de las fortalezas y limitaciones de cada prueba, desde el Mann‐Whitney U para dos grupos hasta el test de Friedman para las medidas repetidas, permite a los analistas tomar opciones por defectos para hacer pruebas metodométricas. Artículo de Wikipedia sobre estadísticas no paramétricas ofrece un fondo completo, y este artículo de PMC analiza consideraciones prácticas en investigación biomédica.