Um dos principais temas na Estatística moderna é a inferência estatística, que se divide em duas áreas principais: a estimativa dos parâmetros de uma população e os testes de hipóteses. No desenvolvimento dos métodos estatísticos modernos, as primeiras técnicas de inferência assumiam várias hipóteses sobre a natureza da população da qual os dados eram obtidos. Uma vez que os valores relacionados a essa população são chamados de “parâmetros”, essas técnicas receberam o nome de estatísticas paramétricas.

A Estatística Não-Paramétrica, por sua vez, é um campo relativamente recente, com os primeiros testes datando do início do século passado. Nos últimos 40 anos, esse campo cresceu significativamente. Em testes não-paramétricos, o modelo estatístico não estabelece condições específicas sobre os parâmetros da população da qual a amostra foi retirada. Mesmo quando algumas suposições são feitas, elas tendem a ser menos rigorosas do que aquelas associadas aos testes paramétricos.

Neste artigo, vamos discutir as nuances dos testes não paramétricos em pesquisas. Vamos começar com uma breve introdução aos testes paramétricos e não paramétricos.

Testes paramétricos e não paramétricos

Os testes paramétricos são baseados na ideia de que os dados são distribuídos normalmente. Isso significa que os dados são distribuídos de forma simétrica ao redor da média e que a variância é constante para todos os valores dos dados.

Os testes paramétricos mais comuns incluem:

• Teste t de Student: usado para comparar as médias de duas amostras
• Análise de variância (ANOVA): usado para comparar as médias de três ou mais amostras
• Coeficiente de correlação de Pearson: usado para medir a relação linear entre duas variáveis

Os testes não paramétricos não fazem suposições sobre a distribuição dos dados. Em vez disso, eles classificam os dados e usam a ordem dos dados para fazer inferências.

Os testes não paramétricos mais comuns incluem:

• Teste de Wilcoxon Signed-Rank: usado para comparar duas amostras relacionadas
• Teste de Mann-Whitney U: usado para comparar duas amostras independentes
• Teste de Kruskal-Wallis: usado para comparar três ou mais amostras
• Coeficiente de correlação de Spearman: usado para medir a relação não linear entre duas variáveis

Quando usar testes não paramétricos?

Os testes não paramétricos devem ser usados quando os dados não atendem às suposições dos testes paramétricos.

Alguns exemplos de situações em que os testes não paramétricos podem ser usados incluem:

• Os dados não são normalmente distribuídos.
• As variâncias das amostras são diferentes.
• Os dados são ordinais.
• O tamanho da amostra é pequeno.

Limitações dos testes não paramétricos

Os testes não paramétricos são geralmente menos poderosos do que os testes paramétricos quando as suposições são atendidas. Isso significa que eles podem exigir um tamanho de amostra maior para detectar um determinado efeito.

Exemplos de testes não paramétricos em pesquisas médicas

Os testes não paramétricos são frequentemente usados em pesquisas para comparar grupos de pacientes ou para avaliar a relação entre variáveis.

Por exemplo, um estudo pode usar um teste de Wilcoxon Signed-Rank para comparar o desenvolvimento dos grupos  de pacientes, um grupo que recebeu um novo tratamento e outro grupo que recebeu o tratamento padrão.

Outro estudo pode usar um teste de Mann-Whitney U para comparar a pressão arterial de dois grupos de pacientes, um grupo que sofre de uma doença crônica e outro grupo que não sofre da doença.

Conclusão

Os testes não paramétricos são uma ferramenta valiosa em pesquisas quando os dados não são normalmente distribuídos, ordinais ou de pequeno porte. É importante entender as nuances desses testes e quando usá-los para fazer inferências válidas a partir dos seus dados.

Resumindo…

Testes paramétricos e não paramétricos

• Testes paramétricos:
  
  • Fazem suposições sobre a distribuição dos dados.
  • São mais poderosos do que os testes não paramétricos quando as suposições são atendidas.
• Testes não paramétricos:
  
  • Não fazem suposições sobre a distribuição dos dados.
  • São mais robustos contra violações de suposições do que os testes paramétricos.

Quando usar testes não paramétricos?

• Dados não normalmente distribuídos:
  
  • Os testes paramétricos assumem que os dados são distribuídos normalmente. Quando os dados não são normalmente distribuídos, os testes paramétricos podem fornecer resultados imprecisos.
• Variâncias das amostras diferentes:
  
  • Os testes paramétricos assumem que as variâncias das amostras são iguais. Quando as variâncias das amostras são diferentes, os testes paramétricos podem fornecer resultados imprecisos.
• Dados ordinais:
  
  • Os testes paramétricos assumem que os dados são quantitativos. Quando os dados são ordinais, os testes paramétricos podem fornecer resultados imprecisos.