O teste tau de Kendall, também conhecido como teste do coeficiente de postos de Kendall, é um método não paramétrico para avaliar a associação entre duas variáveis. Este teste é particularmente útil para identificar correlações significativas quando as distribuições da amostra e da população são desconhecidas. Desenvolvido em 1938 pelo estatístico britânico Sir Maurice George Kendall, o coeficiente tau (denotado como τ) serve como um coeficiente de correlação de classificação, com valores que variam de -1 a +1.
Um valor de τ de +1 indica que as classificações das duas variáveis são perfeitamente semelhantes, sugerindo uma forte correlação positiva. Por outro lado, um valor τ de -1 indica que as fileiras são perfeitamente diferentes, sugerindo uma forte correlação negativa. Um valor τ positivo indica uma relação positiva entre as variáveis, enquanto um valor τ negativo significa uma relação negativa. Este teste é uma ferramenta valiosa para analisar dados ordinais e explorar relacionamentos sem depender de suposições estritas sobre as distribuições subjacentes.
O τ de Kendall é um cálculo relativamente simples quando não há empates nas classificações de dados. A equação do coeficiente é:
No teste tau de Kendall, calcular a quantidade N das fileiras é crucial para determinar a força da correlação entre duas variáveis. Existem métodos convencionais, bem como abordagens alternativas para esse cálculo. Um método comum envolve organizar os dados em duas colunas: a primeira coluna contém as classificações da primeira variável (por exemplo, classificações de artesãos), enquanto a segunda coluna lista as classificações correspondentes da segunda variável.
Para visualizar as relações, as linhas são desenhadas para conectar as mesmas classificações entre as duas colunas — conectando a classificação 1 na primeira coluna com a classificação 1 na segunda, a classificação 2 com a classificação 2 e assim por diante. Depois de estabelecer essas conexões, o número total de interseções formadas por essas linhas é contado, denotado como X. Essa contagem é então usada para calcular N usando a seguinte equação:
O teste tau de Kendall é semelhante ao teste de classificação de Spearman. Ambos os testes são equivalentes e precisos, e não há regra prática ou condições em que qualquer um dos testes possa ser mais benéfico. O cálculo da tau de Kendall é, no entanto, mais direto quando não há empates nas classificações de dados e é mais amplamente usado para esses dados em geral.
Considere um exemplo em que 35 peças de xícaras de porcelana vintage são classificadas independentemente por um artesão e um comprador comum.
O teste tau de Kendall pode ser usado para descobrir se existe alguma associação entre esses dois rankings.
Aqui, a hipótese nula afirma que não há correlação entre as classificações do artesão e as do comprador. A hipótese alternativa é que existe uma correlação entre esses dois rankings.
Primeiro, organize os dados em uma ordem específica, por exemplo, de acordo com a classificação do artesão.
Essas classificações emparelhadas devem ser convertidas em contagens.
No método convencional de cálculo de contagens, primeiro, localize uma classificação e conte o número total de classificações maior do que na mesma coluna. Repita esse processo para todas as classificações nos dados.
A estatística de teste tau pode ser calculada usando a seguinte equação.
A significância dessa quantidade pode ser obtida usando uma ferramenta computadorizada adequada.
A tau de Kendall é particularmente útil para encontrar associações monotônicas lineares ou não lineares entre as variáveis quando não há vínculos nos dados.
Related Videos
Nonparametric Statistics
683 Visualizações
Nonparametric Statistics
231 Visualizações
Nonparametric Statistics
761 Visualizações
Nonparametric Statistics
119 Visualizações
Nonparametric Statistics
80 Visualizações
Nonparametric Statistics
109 Visualizações
Nonparametric Statistics
109 Visualizações
Nonparametric Statistics
112 Visualizações
Nonparametric Statistics
167 Visualizações
Nonparametric Statistics
593 Visualizações
Nonparametric Statistics
695 Visualizações
Nonparametric Statistics
742 Visualizações
Nonparametric Statistics
641 Visualizações
Nonparametric Statistics
629 Visualizações
Nonparametric Statistics
634 Visualizações
Nonparametric Statistics
210 Visualizações
Nonparametric Statistics
72 Visualizações
Nonparametric Statistics
425 Visualizações
Nonparametric Statistics
172 Visualizações
Nonparametric Statistics
276 Visualizações
Nonparametric Statistics
194 Visualizações
Nonparametric Statistics
296 Visualizações