2.9: Tecniche di Inferenza Statistica nel Test di Ipotesi: Dati Parametrici e Non Parametrici

Le tecniche di inferenza statistica, fondamentali nei test di ipotesi, si differenziano in due grandi categorie: test statistici parametrici e non parametrici.

I test statistici parametrici, come suggerisce il nome, presuppongono che i dati seguano una distribuzione specifica, spesso una distribuzione normale. Questa ipotesi consente test di ipotesi e stime robuste. I metodi parametrici, come il t-test di Student o il test di bontà dell’adattamento, sono spesso impiegati in biostatistica per la loro robustezza. Ad esempio, il confronto dei livelli medi di zucchero nel sangue tra pazienti che ricevono trattamenti diversi, diventa statisticamente affidabile utilizzando metodi statistici parametrici.

D'altro canto, i test statistici non parametrici non fanno alcuna ipotesi sulla distribuzione sottostante dei dati. Entrano in gioco quando i dati non soddisfano i prerequisiti dei test parametrici o quando si gestiscono dati ordinali o categorici. Questi metodi offrono diversi vantaggi, tra cui la robustezza agli outlier e nessuna ipotesi distributiva specifica. Tuttavia, sono generalmente meno potenti dei test parametrici quando vengono soddisfatte tutte le ipotesi parametriche.

I metodi statistici non parametrici trovano impiego in varie applicazioni biostatistiche. Il test di Wilcoxon rank-sum, che confronta i tempi di sopravvivenza mediani tra due gruppi di animali da laboratorio, è un esempio. Un altro è il test di Kruskal-Wallis, un'alternativa non parametrica all'ANOVA per confrontare le mediane di più gruppi.

Le statistiche parametriche e non parametriche hanno un significato e delle applicazioni uniche nella biostatistica, e il loro utilizzo è determinato dalla natura dei dati e dalle ipotesi statistiche che possono essere fatte.

I metodi statistici parametrici, come il test t di Student o il test di bontà di adattamento, presuppongono che i dati seguano una distribuzione specifica, consentendo test e stime di ipotesi robuste.

In biostatistica, le statistiche parametriche sono spesso utilizzate, ad esempio, quando si confrontano i livelli medi di zucchero nel sangue tra pazienti sottoposti a trattamenti diversi.

Al contrario, le statistiche non parametriche non fanno alcuna ipotesi sulla distribuzione dei dati.

Sono utili quando i dati non soddisfano i requisiti di test parametrici o sono ordinali o categorici.

Questi metodi offrono numerosi vantaggi, tra cui la robustezza per i valori anomali e le applicazioni di dati più ampie.

Tuttavia, tendono ad essere meno utili dei test parametrici in base alle ipotesi parametriche.

Ad esempio, utilizzando statistiche non parametriche, il test della somma dei ranghi di Wilcoxon confronta i tempi di sopravvivenza mediani tra due gruppi di animali da laboratorio.

Il test di Kruskal-Wallis, un'altra alternativa non parametrica all'ANOVA, classifica campioni casuali di tre o più popolazioni per determinare se le loro mediane sono simili.

• 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.