2.9: Técnicas de inferencia estadística en pruebas de hipótesis: datos paramétricos y no paramétricos

Las técnicas de inferencia estadística, fundamentales en las pruebas de hipótesis, se diferencian en dos grandes categorías: estadísticas paramétricas y no paramétricas.

La estadística paramétrica, como sugiere su nombre, presupone que los datos siguen una distribución específica, a menudo una distribución normal. Esta presuposición permite realizar pruebas y estimaciones de hipótesis robustas. Los métodos paramétricos, como la prueba t de Student o la prueba de bondad de ajuste, se emplean con frecuencia en bioestadística debido a su solidez. Por ejemplo, comparar los niveles medios de azúcar en sangre entre pacientes que reciben diferentes tratamientos se vuelve estadísticamente confiable utilizando métodos estadísticos paramétricos.

Por otra parte, las estadísticas no paramétricas no hacen suposiciones sobre la distribución subyacente de los datos. Entran en juego cuando los datos no cumplen los requisitos previos de las pruebas paramétricas o cuando se manejan datos ordinales o categóricos. Estos métodos ofrecen varias ventajas, incluida la solidez ante valores atípicos y la ausencia de suposiciones distributivas específicas. Sin embargo, generalmente son menos potentes que las pruebas paramétricas cuando se cumplen todas las suposiciones paramétricas.

Los métodos estadísticos no paramétricos se utilizan en diversas aplicaciones bioestadísticas. Un ejemplo es la prueba de suma de rangos de Wilcoxon, que compara los tiempos de supervivencia medios entre dos grupos de animales de laboratorio. Otro es la prueba de Kruskal-Wallis, una alternativa no paramétrica al ANOVA para comparar las medianas de varios grupos.

Las estadísticas paramétricas y no paramétricas tienen un significado y aplicaciones únicos en bioestadística, y su uso está determinado por la naturaleza de los datos y las suposiciones estadísticas que se puedan realizar.

Los métodos estadísticos paramétricos, como la prueba t de Student o la prueba de bondad de ajuste, asumen que los datos siguen una distribución específica, lo que permite realizar pruebas y estimaciones de hipótesis sólidas.

En bioestadística, la estadística paramétrica se utiliza con frecuencia, por ejemplo, cuando se comparan los niveles medios de azúcar en sangre entre pacientes tratados con diferentes tratamientos.

Por el contrario, las estadísticas no paramétricas no hacen ninguna suposición sobre la distribución de los datos.

Son útiles cuando los datos no cumplen con los requisitos de las pruebas paramétricas o son ordinales o categóricos.

Estos métodos ofrecen numerosas ventajas, incluida la solidez frente a valores atípicos y aplicaciones de datos más amplias.

Sin embargo, tienden a ser menos útiles que las pruebas paramétricas bajo supuestos paramétricos.

Por ejemplo, utilizando estadísticas no paramétricas, la prueba de suma de rangos de Wilcoxon compara los tiempos medios de supervivencia entre dos grupos de animales de laboratorio.

La prueba de Kruskal-Wallis, otra alternativa no paramétrica al ANOVA, clasifica muestras aleatorias de tres o más poblaciones para determinar si sus medianas son similares.

• Parametric statistics - Assumed data follows a specific distribution for hypothesis testing or estimation.
• Nonparametric statistics - Methods used when data fails to meet prerequisites of parametric tests.
• Hypothesis testing - Statistical method to test an assumption regarding a population parameter.
• Inference methods in statistics - Techniques to make predictions or decisions about a population based on sample data.
• Parametric data vs nonparametric data - Comparison between the data types dictating the use of parametric or nonparametric tests.

• Define parametric and nonparametric statistics – Explain what they are (e.g., parametric statistics).
• Contrast parametric statistics vs. nonparametric statistics – Highlight the key differences (e.g., assumptions of data distribution).
• Explore Examples – Discuss their application in real-life scenarios (e.g., inference tests in biostatistics).
• Explain hypothesis Testing – Describe its importance in the statistical inference process.
• Apply in context – Discuss the implications of using parametric vs. nonparametric methods in statistical analysis.

• What is the difference between parametric and nonparametric statistics and how to choose between them?
• What are the implications of the assumptions made in parametric statistical methods?
• What makes nonparametric statistics more robust against outliers and less powerful?

• Students – Helps in comprehending the key differences between parametric and nonparametric statistics.
• Educators – Provides a clear framework of statistical inference techniques for teaching.
• Researchers – Offers insights into the correct application of parametric or nonparametric tests in research.
• Data Analysts – Aids in making informed decisions on the selection and usage of parametric or nonparametric methods based on data characteristics.