Os testes não paramétricos são métodos estatísticos que não assumem pressupostos na distribuição das variáveis ou que os dados seguem algum modelo específico.
Por exemplo, a correlação de Pearson assume que os dados são lineares. Usar este tipo de correlação para dados que não são lineares é uma quebra dos pressupostos e traz resultados que não são confiáveis. Já as correlações de Spearman e Kendall são baseadas em uma lógica de postos que não assume linearidade dos dados ou uma distribuição normal. Por isso, é comum ouvirmos dizer que as correlações de Spearman e Kendall são alternativas não paramétricas para a correlação de Pearson.
| Paramétrico | Não paramétrico |
| Teste-t para amostras independentes | Teste U de Mann-Whitney |
| Teste-t para amostras pareadas | Teste de Wilcoxon |
| Correlação de Pearson | Correlação de Spearman ou Kendall |
| ANOVA | Teste de Kruskal-Wallis |
Posso usar testes não paramétricos quando minha amostra é pequena?
Depende. Em geral, os testes paramétricos exigem menos casos do que os não paramétricos, se a amostra for normal. Isso acontece, pois, os paramétricos têm um poder estatístico maior, o que faz com que eles sejam capazes de detectar efeitos em amostras um pouco menores do que as que um teste não paramétrico necessitaria.
Por outro lado, é difícil assumir normalidade quando temos muito poucos casos (< 30), então os não paramétricos são uma possibilidade.
Outro ponto negativo dos testes não-paramétricos é que eles podem ser mais difíceis de interpretar. Pode ser mais difícil interpretar a diferença média de postos entre dois grupos (teste U de Mann-Whitney) do que a diferença de média de dois grupos (teste t, por exemplo).
Com isso, o uso dos testes não paramétricos deve ser baseado nos pressupostos dos testes, não necessariamente como uma maneira de lidar com amostras menores.
Testes não paramétricos podem se ajustar melhor aos dados
Vale a pena saber que existe uma outra vantagem de testes não paramétricos. Como eles tem modelos mais flexíveis, eles costumam se ajustar melhor aos dados. Por exemplo, em uma regressão linear, sempre tentaremos “encaixar” nossos dados em uma linha. Porém, se usarmos uma estimativa não paramétrica, ela pode se ajustar de maneira mais livre aos dados. Um exemplo de métodos capazes disso são os Modelos Aditivos Generalizados.
Entretanto, estes modelos são menos interpretáveis. Então sempre devemos considerar uma balança entre a facilidade de interpretação e o ajuste.
Com este artigo, acredito que você já tenha uma visão geral dos testes não paramétricos. Vale muito a pena também ler a alternativa a este artigo: os testes paramétricos. É importante entender os testes com profundidade para saber os pressupostos que assumimos. Então, que tal rever os pressupostos da regressão linear?
Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).
Como citar este post
Damásio, B. (2021, 9 de julho). Testes não paramétricos. Blog Psicometria Online. https://www.blog.psicometriaonline.com.br/testes-nao-parametricos/
Uma resposta