O que são testes não-paramétricos?

Testes não paramétricos, frequentemente chamados de testes livres de distribuição, são métodos estatísticos que não dependem de distribuições de probabilidade específicas (como a distribuição normal) para a população a partir da qual uma amostra é sorteada. Em vez de assumir uma forma particular para os dados, esses testes operam em fileiras, sinais ou contagens, tornando-os altamente flexíveis quando pressupostos paramétricos tradicionais são violados. Testes paramétricos como o teste t e ANOVA exigem que os dados sejam normalmente distribuídos, tenham variâncias iguais entre grupos e sejam medidos em um intervalo ou nível de razão. Quando essas condições não são cumpridas – o que acontece frequentemente na prática – alternativas não paramétricas fornecem uma forma robusta e válida de testar hipóteses.

Por serem baseados em classificações e não em valores brutos, os testes não paramétricos são menos sensíveis a pontuações extremas. Um outlier que mudaria drasticamente uma variação média e inflada em um teste paramétrico tem apenas um efeito limitado nas posições de classificação. Esta resiliência os torna ideais para dados do mundo real que muitas vezes incluem a inclinação, escalas limitadas (por exemplo, classificações 0-10), ou tamanhos de amostra pequenos. No entanto, essa flexibilidade vem a um custo: quando os dados satisfazem pressupostos paramétricos, testes não paramétricos têm menor poder estatístico. Em outras palavras, eles podem exigir uma amostra maior para detectar o mesmo efeito. Ainda, para muitos pesquisadores aplicados, a segurança e interpretabilidade de métodos não paramétricos superam essa desvantagem.

Testes Paramétricos vs. Testes Não Paramétricos: Diferenças-chave

A escolha entre testes paramétricos e não paramétricos depende de três principais pressupostos: normalidade, homogeneidade da variância e nível de medida. Testes paramétricos assumem que os dados são extraídos de uma população normalmente distribuída, que as variâncias entre grupos são iguais (homoscedasticidade), e que as variáveis são medidas em uma escala de intervalo ou razão (onde intervalos entre valores são significativos e iguais). Testes não paramétricos relaxam cada um desses pressupostos. Eles trabalham com dados ordinais, eles não exigem normalidade, e eles podem lidar com variâncias desiguais sem invalidar o resultado.

O teste t independente paramétrico compara médias sob a hipótese de que ambos os grupos provêm de distribuições normais com variâncias iguais. Se essas condições forem questionáveis, o teste U de Mann-Whitney (não paramétrico) compara medianas por ranqueamento de todas as observações em conjunto. Da mesma forma, ANOVA de uma via requer normalidade e homogeneidade, enquanto o teste H de Kruskal-Wallis oferece uma alternativa não paramétrica que funciona perfeitamente com dados classificados. A tabela abaixo destaca os pares paramétricos/não paramétricos mais comuns:

  • Grupos independentes (dois): Teste t → Teste U de Mann-Whitney
  • Grupos pareados (dois): teste t-pareado → Teste de Wilcoxon de patente assinada
  • Grupos independentes (≥3): ANOVA de uma via → Teste H de Kruskal-Wallis
  • Medidas repetidas (≥3): ANOVA de medidas repetidas → Teste de Friedman
  • Correlação: Correlação de Pearson r → Correlação de Spearman (ρ)

Na prática, muitos pesquisadores usam testes não paramétricos como padrão quando os tamanhos de amostra são pequenos (por exemplo, menos de 30 por grupo) ou quando os dados contêm outliers que não podem ser transformados ou removidos. Campos como psicologia, educação e saúde lidam com as respostas em escala Likert ou outras medidas ordinais, tornando os métodos não paramétricos uma primeira escolha natural.

Tipos comuns de testes não-paramétricos

Existem uma grande variedade de testes não paramétricos, cada um adaptado a projetos de pesquisa específicos. As seções abaixo abrangem os testes mais frequentemente usados, explicando seus propósitos, pressupostos e aplicações típicas.

Teste U de Mann-Whitney (Dois Grupos Independentes)

O teste U de Mann-Whitney é o equivalente não paramétrico das amostras independentes teste t. Determina se um grupo tende a ter valores maiores do que o outro, classificando todas as observações de ambos os grupos em conjunto, e comparando a soma das classificações entre os grupos. Um resultado significativo indica que as distribuições diferem em localização (ou seja, um grupo tende a produzir resultados maiores ou menores). Este teste é amplamente utilizado em ensaios clínicos comparando um grupo de tratamento com um controle quando o resultado é ordinal ou não normalmente distribuído. Por exemplo, um pesquisador pode comparar os escores de dor entre os pacientes que recebem um fármaco experimental e aqueles que recebem um placebo. Como os escores de dor são ordinais e muitas vezes esquejados, o teste U de Mann-Whitney é apropriado.

Teste de Wilcoxon com Assinatura-Rank (Duas Amostras Relacionadas)

O teste de Wilcoxon é a contrapartida do teste t pareado. Ele é projetado para pares pareados ou medidas repetidas nos mesmos sujeitos, como antes e depois das medições. O teste calcula as diferenças entre cada par, classifica as diferenças absolutas, e então soma as classificações separadamente para diferenças positivas e negativas. Se não houver mudança sistemática, as somas devem ser semelhantes. Um exemplo típico é a medição da pressão arterial antes e depois de um tratamento no mesmo grupo de pacientes.

O teste pode avaliar se a mediana é significativamente diferente de zero.

Teste H de Kruskal-Wallis (três ou mais grupos independentes)

O teste de Kruskal-Wallis estende a abordagem de Mann-Whitney para comparar três ou mais grupos independentes. É o análogo não-paramétrico da ANOVA de uma via. Todos os dados de todos os grupos são classificados em conjunto, e as classificações médias entre os grupos são comparadas. Um resultado significativo indica que pelo menos uma distribuição de grupo difere do resto. Por exemplo, um pesquisador comparando a eficácia da perda de peso em três dietas diferentes pode usar Kruskal-Wallis se os dados forem distorcidos ou conterem outliers.

Após um resultado significativo, as comparações pós-hoc (por exemplo, o teste de Dunn) identificam quais grupos específicos diferem.

Teste Friedman (Três ou Mais Grupos Relacionados)

O teste de Friedman é a alternativa não-paramétrica à ANOVA de medidas repetidas (uma vez dentro dos sujeitos ANOVA). É usado quando os mesmos sujeitos são medidos em três ou mais condições, ou quando os sujeitos são pareados entre as condições. O teste classifica cada sujeito separadamente entre as condições, em seguida, compara as somas de postos para cada condição. Um resultado significativo sugere que as condições diferem em tendência central. Um exemplo clássico é um teste de gosto onde cada participante classifica três marcas diferentes de refrigerante em uma escala de 10-pontos. O teste de Friedman pode detectar se existe um padrão de preferência consistente entre marcas.

Teste Qui-Quadrado de Independência (Dados Categóricos)

Embora muitas vezes agrupados com métodos não paramétricos, o teste do qui-quadrado funciona com frequências ou contagens de variáveis categóricas, avaliando se há associação significativa entre duas variáveis categóricas comparando frequências observadas com as esperadas sob a hipótese nula de independência. O teste não assume normalidade, mas exige que a frequência esperada para cada célula seja de pelo menos 5 para que a aproximação seja válida. Por exemplo, uma pesquisa pedindo aos entrevistados que relatem gênero (masculino/feminino) e preferência por bebida (têa/café) pode usar o teste do qui-quadrado para determinar se as duas variáveis estão relacionadas.

Coeficiente de Correlação de Classe de Spearman (Relações Ordinais ou Monotônicas)

O ρ de Spearman é uma medida não paramétrica da força e direção de uma relação monotônica entre duas variáveis. Funciona classificando cada variável separadamente e, em seguida, calculando a correlação de Pearson nessas fileiras. Ao contrário do r de Pearson, o ρ de Spearman não assume linearidade ou normalidade, tornando-o adequado para dados ordinais ou dados com outliers. Por exemplo, um pesquisador examinando a correlação entre o ranking da empresa de funcionários (1 = CEO, 2 = VP, etc.) e anos de experiência usaria o ρ de Spearman porque a variável de classificação é ordinal.

Ensaios adicionais

Outros testes não paramétricos úteis incluem o teste de sinal (uma versão simplificada do teste de Wilcoxon de patente assinada que utiliza apenas a direcção das diferenças), Teste de Kolmogorov-Smirnov (comparando duas distribuições independentes sem exigir tamanhos de amostra iguais), e Teste mediano do humor (uma verificação rápida para diferenças nas medianas entre os grupos). Embora menos comumente usado, cada um preenche um nicho específico quando os dados são violações graves de suposições.

Quando usar testes não paramétricos: Diretrizes Práticas

A escolha de um teste não paramétrico sobre a sua contrapartida paramétrica depende da estrutura dos dados e do desenho do estudo. Abaixo estão cenários claros em que os métodos não paramétricos são preferíveis:

  • Dados ordinais: Escalas de Likert, preferências classificadas ou qualquer medida em que os intervalos não sejam iguais. Testes paramétricos assumem medida de intervalo ou razão.
  • Tamanhos de amostra pequenos: Com menos de 20 observações por grupo, testes de normalidade (por exemplo, Shapiro-Wilk) têm baixa potência, então usar um teste não paramétrico é mais seguro.
  • Violações graves da normalidade: Mesmo com amostras maiores (por exemplo, n = 50 ou mais), se os dados são altamente distorcidos, bimodal, ou têm caudas pesadas, testes não paramétricos fornecem inferências mais válidas.
  • Presença de outliers: Os outliers podem afetar drasticamente a média e variância usadas em testes paramétricos. Métodos baseados em rank resistem a tal distorção.
  • Variâncias heterogéneas: Quando as variações do grupo são drasticamente diferentes e as transformações não ajudam, os testes não paramétricos (como o Mann-Whitney com uma correção) são mais robustos.

Vale ressaltar que os testes não paramétricos podem ser usados com amostras maiores, mesmo quando se cumprem pressupostos, embora sejam menos poderosos. Muitos estatísticos recomendam verificar os pressupostos paramétricos primeiro. Se estiverem satisfeitos, usem o teste paramétrico para ganhar poder; se não, mudem para uma alternativa não paramétrica. Árvores de decisão e fluxogramas estão disponíveis online para orientar esta escolha; veja por exemplo o Visão geral dos testes não paramétricos de estatologia.

Vantagens e Desvantagens de Testes Não Paramétricos

Vantagens

  • Sem pressupostos de distribuição: Eles não exigem normalidade, variância constante ou linearidade, tornando-os amplamente aplicáveis em muitos tipos de dados.
  • Trabalhar com dados ordinais: Muitas medições do mundo real (por exemplo, respostas de inquéritos, pontuações de gravidade, rankings) são ordinais. Os testes não paramétricos são projetados para estas escalas.
  • Robusto para os outliers: Como usam as classificações em vez de valores brutos, observações extremas têm influência limitada na estatística do teste.
  • Facilidade de cálculo: Alguns testes não paramétricos (por exemplo, teste de sinais) são simples o suficiente para calcular manualmente, e software moderno torna todos eles simples de executar.
  • Aplicável a amostras muito pequenas: Mesmo com 6-10 observações, alguns testes não paramétricos podem produzir resultados significativos quando testes paramétricos seriam inválidos (por exemplo, devido a violação da normalidade).
  • Inpretabilidade: Muitos testes não paramétricos fornecem resultados baseados em medianas e quartis, que são mais fáceis de comunicar com públicos não estatísticos em áreas como medicina e ciência social.

Desvantagens

  • Baixo poder estatístico: Quando os dados atendem a pressupostos paramétricos, os testes não paramétricos são menos eficientes — eles exigem tamanhos de amostra maiores para detectar o mesmo tamanho de efeito.
  • Menos opções para desenhos complexos: ANOVA multi-way, interações e medidas repetidas com múltiplos fatores têm análogos não-paramétricos limitados. Técnicas avançadas como testes de permutação ou bootstrapping podem ser necessárias.
  • Perda de informação: A conversão de dados contínuos para postos descarta algumas informações sobre a magnitude das diferenças, podendo levar à perda de sensibilidade.
  • Saída menos intuitiva: Testes paramétricos fornecem estimativas como diferenças médias, que são fáceis de interpretar. Testes não paramétricos frequentemente relatam diferenças medianas ou somas de classificação, o que pode exigir uma explicação cuidadosa.
  • Comparações pós-hoc podem ser mais complexas: Após um teste de Kruskal-Wallis significativo, vários procedimentos de comparação (por exemplo, o teste de Dunn, o teste de Conover) estão disponíveis, mas requerem uma seleção cuidadosa para evitar erros Tipo I inflacionados.

Na prática, os pesquisadores pesam esses trade-offs. Para estudos com resultados ordinais ou amostras pequenas, a robustez de testes não paramétricos geralmente supera a perda de poder. Como regra geral, se você não tem certeza sobre a distribuição, é melhor aplicar um teste não paramétrico do que relatar um resultado paramétrico inválido.

Como relatar resultados de teste não-paramétricos

Ao escrever os resultados de um teste não paramétrico, incluem a estatística de teste (por exemplo, U, W, H, χ2), os graus de liberdade (se aplicável), o valor de p e uma medida de tamanho de efeito. Tamanhos de efeito comuns para testes não paramétricos incluem:

  • U de Mann- Whitney: correlação entre o grau e o nível de vida (r) = 1 – (2U)/(n1n2) ou delta de Cliff.
  • Rank de Wilcoxon: Correlação biserial.
  • Kruskal-Wallis: epsilon-quadrado (ε2) ou eta-quadrado baseado em fileiras.
  • ρ de Spearman: Relatório ρ e o seu intervalo de confiança.

Relatar medianas e intervalos interquartis (IQR) em vez de médias e desvios padrão. Por exemplo: “Um teste U de Mann-Whitney indicou que a mediana do escore para o grupo de tratamento (Mdn = 7, IQR = 5–8) foi significativamente maior do que para o grupo de controle (Mdn = 4, IQR = 3–5), U = 42, p = 0,002, rank-bisserial r = .48.” Fornecer medianas e IQR dá uma imagem clara da tendência central e propagação dos dados, o que é consistente com o quadro não paramétrico.

Implementação de Software

Todos os pacotes estatísticos principais suportam testes não paramétricos. Abaixo estão as chamadas de funções comuns:

  • R: para Mann-Whitney e Wilcoxon, posto assinado; para Kruskal-Wallis; ] para Friedman; para qui-quadrado; ] para Spearman's ρ.
  • Python (SciPy): , , , , .
  • SPSS: Em “Analyze → Testes não paramétricos”, escolha Diálogos Legados para menus mais antigos ou as opções mais recentes de “Uma Amostra / Amostras Independentes / Amostras Relacionadas”.
  • SAS: ] para testes não paramétricos unidirecionais; para qui-quadrado; para correlação de Spearman.

Para instruções mais detalhadas e exemplos trabalhados, o Guia de Estatísticas de Laerd sobre testes não paramétricos Presta apoio passo a passo.

Conclusão

Os testes não paramétricos são instrumentos essenciais no kit de ferramentas estatísticas do pesquisador. Apresentam inferências válidas quando os dados não cumprem os pressupostos rigorosos dos métodos paramétricos — especialmente com dados ordinais, pequenos tamanhos de amostra ou presença de outliers. Compreendendo os pontos fortes e limitações de cada teste, desde o U de Mann-Whitney para dois grupos até o teste de Friedman para medidas repetidas, capacita os analistas a fazerem escolhas metodológicas sólidas. Embora os testes paramétricos permaneçam o padrão para dados de nível de intervalo normalmente distribuídos, a aplicação prudente de alternativas não paramétricas garante conclusões estatísticas que permanecem confiáveis em uma ampla gama de conjuntos de dados do mundo real. Artigo da Wikipédia sobre estatísticas não paramétricas oferece um contexto abrangente, e este artigo do PMC discute considerações práticas em pesquisa biomédica.