شرایط استفاده از آزمون های پـارامتریک و ناپارامتریک (فیلم)

بر اساس ویژگی های داده  ها یا متغیرها آزمون های آماری را به دو دسته زیر تقسیم میکنند:

1. آزمون های پارامتریک
2. آزمون های ناپارامتری.

 در جریان رشد روش های آماری مدرن، اولین تکنیک های استنباطی که پدید آمدند، تکنیک هایی بودند که برای جمعیّتی که نمرات از آن برگرفته می شود مفروضات فراوانی قائل بودند.

 از آن جا که مقادیر جمعیّت «پارامتر»اند، این تکنیک های آماری را پارامتری می خوانند.

این دسته از تکنیک ها به نتیجه گیری هایی می انجامد که با پیش فرض ها و شرایط همراه هستند.

اخیراً تکنیک استنباطی ابداع شده است که مفروضات سختی را درباره پارامترها پیش نمی کشند.

 این تکنیک ها را ناپارامتری یا توزیع آزاد می نامند. نتیجه گیریها در این تکنیک ها  مستلزم هیچ قید و شرطی نیست.

 پیش فرض هاب آزمون های پارامتریک

1-     مشاهده های ما باید از جمعیّت های آماری که دارای توزیع نرمال هستند به دست آمده باشند.

2-     این جمعیّت های آماری باید دارای واریانس برابر باشند (فرض همگن بودن واریانسها).

3-     متغیرها باید حداقل با مقیاس فاصله ای اندازه گیری شده باشند.

4-     مشاهده های ما باید مستقل از یکدیگر باشند. یعنی انتخاب هر موردی از میان جمعیّت، برای قراردادن آن مورد در نمونه، نباید مشکل و خللی در شانس انتخاب شدن هریک از موارد دیگر در نمونه ایجاد کند.

توجه پیش  فرض همگن بودن واریانس ها، را معمولا در جریان یک تحلیل آماری آزمون نمی کنند. بلکه این شرایط «پیش فرض هایی» هستند که پذیرفته می شوند، و درستی یا نادرستی آنها، معنی دار بودن عبارات نتیجه گیری ما را در کاربرد آزمون های پارامتریک معیّن می کنند.

در صورت مساوی بودن سایر شرایط، آزمون های پارامتریک نسبت به آزمون های ناپارامتریک توان و انعطاف بیشتری دارند.

آزمون های پارامتریک نه تنها به پژوهشگر اجازه می دهند تا تاثیر متغیرهای مستقل متعددی را بر روی متغیر وابسته مطالعه کند، بلکه امکان مطالعه تاثیر متقابل آنها را هم فراهم می کنند.

اگر نمونه های کوچک  داشته باشیم و در داده ها انحراف وجود داشته باشد باید  از آزمون های ناپارامتریک استفاده کنیم.

پس اولویت اول ما  باید آزمون های پارامتریک باشد.

و وقتی دلایلی موجود باشد که نشان بدهد اطلاعات جمع آوری شده ما واجد شرایط ذکر شده هستند در آن صورت یقینا باید از آزمون های پارامتری استفاده شود.

چنین انتخابی از آن جهت مطلوب است که آزمون های پارامتری در صورتی که مفروضات آنها رعایت شود، توانمندترین آزمون ها برای ردکردن فرض صفر وقتی که باید آن را رد کنیم میباشند.

آزمون های ناپارامتری

اما در صورتی که اطلاعات جمع آوری شده شرایط و پیش فرض های ذکر شده را نداشته باشند، مثلا جامعه آماری ما توزیع نرمال نداشته باشد ،  باید از آزمون های ناپارامتری استفاده کرد.

اگرچه شواهد تجربی نشان میدهد که انحراف جزئی از مفروضات آزمون های پارامتری تأثیرات چندان شدید و عمیقی بر روی نتایج به دست آمده نمی گذارد.

با این حال هنوز روی این مسأله که “انحراف جزئی” چقدر است اتفاق نظر عمومی و کلی به دست نیامده است.

برگرفته از : کریمی،رامین.(1394). «راهنمای آسان تحلیل آماری با SPSS. تهران: انتشارات هنگام.

در فیلم زیر شرایط و انواع آزمون های پارامتریک و ناپارامتریک شرح داده شده است.