Nonparametric စာရင်းအင်းများ

ဤဆောင်းပါးတွင် ကျွန်ုပ်တို့သည် မည်သည့် parametric ကိန်းဂဏန်းများ နှင့် ၎င်းတို့အတွက်အသုံးပြုသည်ကို ရှင်းပြထားပါသည်။ ပါရာမက်ထရစ်ကိန်းဂဏန်းမဟုတ်သော ကိန်းဂဏန်းများကို အသုံးချခြင်း၏ ဥပမာတစ်ခုကိုလည်း သင်တွေ့မြင်နိုင်မည်ဖြစ်ပြီး၊ ထို့အပြင် ပါရာမက်ထရစ်ကိန်းဂဏန်းစာရင်းမဟုတ်သော ကိန်းဂဏန်းများနှင့် ပါရာမက်ထရစ်ကိန်းဂဏန်းများအကြား ကွာခြားချက်မှာ အဘယ်နည်း။

စံသတ်မှတ်ချက်မဟုတ်သော ကိန်းဂဏန်းများသည် အဘယ်နည်း။

Nonparametric Statistics သည် ဖြစ်နိုင်ခြေ ဖြန့်ဝေမှုနှင့် မကိုက်ညီသော သို့မဟုတ် ဖြန့်ဝေမှု၏ ဘောင်များကို သတ်မှတ်မထားသော ကိန်းရှင်များကို လေ့လာသည့် အနုစိတ်ကိန်းဂဏန်းများ၏ အခွဲဖြစ်သည်။ ဆိုလိုသည်မှာ၊ သီအိုရီဆိုင်ရာ မော်ဒယ်များနှင့် သတ်မှတ်၍မရသော ကိန်းရှင်များအတွက် nonparametric စာရင်းအင်းများကို အသုံးပြုပါသည်။

ထို့ကြောင့်၊ nonparametric ကိန်းဂဏန်းစာရင်းအင်းများတွင် အသုံးပြုထားသော ဖြန့်ဝေမှုများကို ဦးစားပေးအဖြစ် သတ်မှတ်၍မရသော်လည်း စောင့်ကြည့်လေ့လာထားသောဒေတာများက ၎င်းတို့ကို ဆုံးဖြတ်ပေးသည်။

အချို့သော စမ်းသပ်မှုများ၏ ယခင်ယူဆချက်များနှင့် မကိုက်ညီသောအခါ ပါရာမက်ထရစ်ကိန်းဂဏန်းစာရင်းအင်းနည်းလမ်းများကို ယေဘူယျအားဖြင့် အသုံးပြုပါသည်။ အကြောင်းမှာ parametric ကိန်းဂဏန်းများသည် ယေဘုယျအားဖြင့် ယူဆချက်အချို့ကို ပြုလုပ်ရန်လိုအပ်ပါသည်။ အောက်တွင် parametric မဟုတ်သောကိန်းဂဏန်းများနှင့် parametric ကိန်းဂဏန်းများအကြားခြားနားချက်များကိုတွေ့ရပါမည်။

ထို့ကြောင့်၊ ကြယ်တစ်ပွင့်မှ ငါးပွင့်ရရှိသည့် ရုပ်ရှင်သုံးသပ်ချက်များကဲ့သို့သော အဆင့်သတ်မှတ်ထားသော လူဦးရေများကို လေ့လာရန်အတွက် စံသတ်မှတ်ချက်မဟုတ်သော စာရင်းအင်းများကို အသုံးပြုပါသည်။ ပါရာမက်ထရစ်ကိန်းဂဏန်းစာရင်းအင်းမဟုတ်သော အခြားအသုံးချပရိုဂရမ်တစ်ခုသည် ဒေတာအဆင့်သတ်မှတ်ချက်တစ်ခုရှိသော်လည်း နှစ်သက်မှုများကို အကဲဖြတ်သည့်အခါ ကဲ့သို့သော တိကျရှင်းလင်းသော ကိန်းဂဏာန်းစကားပြန်ဆိုခြင်းမျိုး မရှိပါ။

စံနှုန်းမဟုတ်သော ကိန်းဂဏန်းများ ဥပမာ

nonparametric ကိန်းဂဏန်းများ ၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်ကို ကျွန်ုပ်တို့မြင်ပြီးသည်နှင့်၊ သဘောတရားကို အပြည့်အဝနားလည်ရန် ၎င်း၏အသုံးချပရိုဂရမ်၏ နမူနာတစ်ခုကို ကျွန်ုပ်တို့တွေ့ရပါမည်။

ကျွန်ုပ်တို့တွင် လေ့လာသုံးသပ်မှု 99 ခုပါ၀င်သည့် ကိန်းဂဏန်းနမူနာတစ်ခုရှိသည်ကို မြင်ယောင်ကြည့်ပါ၊ ကျွန်ုပ်တို့သည် နောက်တစ်ကြိမ်ကြည့်ရှုခြင်း၏တန်ဖိုး (စောင့်ကြည့်မှုနံပါတ် 100) ဖြစ်နိုင်ခြေကို ဆုံးဖြတ်လိုပါသည်။

အကယ်၍ ကျွန်ုပ်တို့သည် parametric ကိန်းဂဏန်းများကို အသုံးပြုပါက၊ နမူနာ၏ ကိန်းဂဏန်းဆိုင်ရာ ဘောင်ပေါင်းများစွာကို ဦးစွာ တွက်ချက်ရမည်ဖြစ်ပြီး ၎င်း၏လက္ခဏာများကို သိရှိရန်။ ထို့နောက် တွက်ချက်ထားသော ဘောင်များကို အသုံးပြု၍ ကွဲပြားသော ကိန်းဂဏန်းစမ်းသပ်မှုများ လုပ်ဆောင်နိုင်သည် ။

သို့သော်လည်း၊ နမူနာ၏ ကိန်းဂဏန်းဆိုင်ရာ ဘောင်များကို တွက်ချက်စရာမလိုဘဲ နောက်တန်ဖိုး၏ အချက်အလက်များကို ကျွန်ုပ်တို့ သိရှိနိုင်ပါသည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့တွင် ရှုမြင်မှုနမူနာ 99 ခုရှိပါက၊ တိုင်းတာမှုမဟုတ်သော ကိန်းဂဏာန်းများဖြင့် ကျွန်ုပ်တို့သည် ယခင်အရာအားလုံးထက် မှတ်သားမှု 100 ထက် 1% ဖြစ်နိုင်ချေရှိကြောင်း ဆုံးဖြတ်နိုင်ပါသည်။ ဤနည်းအားဖြင့်၊ နမူနာတစ်ခု၏ အများဆုံးအတိုင်းအတာ၏ အတိုင်းအတာမဟုတ်သော ခန့်မှန်းချက်ကို လုပ်ဆောင်နိုင်သည်။

အတိုချုပ်အားဖြင့်၊ နမူနာ၏ ကိန်းဂဏန်းဆိုင်ရာ ဘောင်များကို သိရှိရန်မလိုအပ်ဘဲ ဖြစ်နိုင်ခြေများကို တွက်ချက်နိုင်ပြီး ခန့်မှန်းချက်များကို ပြုလုပ်နိုင်ပါသည်။

Nonparametric ကိန်းဂဏန်းစမ်းသပ်မှုများ

Nonparametric စမ်းသပ်မှုများသည် ပါရာမက်ထရစ်ကိန်းဂဏန်းများကို အခြေခံ၍ ကိန်းဂဏန်းဆိုင်ရာ နည်းလမ်းများဖြစ်သည်။ ထို့ကြောင့်၊ nonparametric စမ်းသပ်မှုများတွင် ဖြစ်နိုင်ခြေဖြန့်ဝေမှုများနှင့်ပတ်သက်၍ ယူဆချက်မချဘဲ ကိန်းရှင်များကို အကဲဖြတ်ပါသည်။

အကျော်ကြားဆုံးမဟုတ်သော parametric စမ်းသပ်မှုများမှာ အောက်ပါအတိုင်းဖြစ်သည် ။

• ချီစတုရန်းစမ်းသပ်မှု
• binomial စမ်းသပ်မှု
• Wilcoxon သည် ရာထူးအဆင့်စာမေးပွဲကို လက်မှတ်ရေးထိုးခဲ့သည်။
• ပျမ်းမျှစမ်းသပ်မှု
• Anderson-Darling စမ်းသပ်မှု
• Cochran စမ်းသပ်မှု
• Cohen ၏ Kappa စမ်းသပ်မှု
• သူဇာစမ်း
• Friedman စမ်းသပ်မှု
• Kendall စမ်းသပ်မှု
• Kolmogorov-Smirnov စမ်းသပ်မှု
• Kuiper စမ်းသပ်မှု
• Mann-Whitney စမ်းသပ်မှု သို့မဟုတ် Wilcoxon စမ်းသပ်မှု
• McNema စမ်းသပ်မှု
• Siegel-Tukey စမ်းသပ်မှု
• လက်မှတ်စမ်းသပ်
• Wald-Wolfowitz စမ်းသပ်မှု

Nonparametric စာရင်းအင်းများ၏ အားသာချက်များနှင့် အားနည်းချက်များ

parametric ကိန်းဂဏန်းများနှင့် နှိုင်းယှဉ်ပါက၊ parametric မဟုတ်သော စာရင်းအင်းများ၏ အားသာချက်များနှင့် အားနည်းချက်များမှာ အောက်ပါအတိုင်းဖြစ်သည်-

အားသာချက်-

• ကိန်းဂဏန်းမဟုတ်သော ကိန်းဂဏန်းအချက်အလက်များကို ကိန်းဂဏာန်းနှင့် ဂဏန်းမဟုတ်သော အချက်အလက်များတွင် အသုံးချနိုင်သည်။
• ယေဘူယျအားဖြင့်၊ nonparametric စမ်းသပ်မှုများသည် ယခင်ယူဆချက်များနှင့် ကိုက်ညီရန်မလိုအပ်ဘဲ၊ ၎င်းတို့ကို ပိုမိုအခြေအနေများတွင် အသုံးပြုခွင့်ပေးသည်။
• နမူနာအရွယ်အစား သေးငယ်သောအခါ၊ စံမညီသော စမ်းသပ်မှုများသည် ယေဘူယျအားဖြင့် ပိုမိုမြန်ဆန်သည်။

အားနည်းချက်များ-

• ဒေတာကို အရည်အသွေးပြည့်မီသော အချက်အလက်အဖြစ်သို့ ပြောင်းလဲလိုက်ခြင်းကြောင့် တစ်ခါတစ်ရံတွင် အချက်အလက်များ ဆုံးရှုံးသွားနိုင်သည်။
• နမူနာအရွယ်အစားကြီးသောအခါ၊ nonparametric စမ်းသပ်မှုပြုလုပ်ရန် အလွန်ပင်ပန်းပါသည်။
• Nonparametric စမ်းသပ်မှုများသည် ယေဘုယျအားဖြင့် ပါဝါနည်းပါးသည်၊ ဆိုလိုသည်မှာ ယုံကြည်စိတ်ချမှုအဆင့်ဖြင့် ကောက်ချက်ဆွဲရန် ပိုကြီးသောနမူနာအရွယ်အစား လိုအပ်ပါသည်။

ပါရာမက်ထရစ်မဟုတ်သော ကိန်းဂဏန်းများ နှင့် ပါရာမက်ထရစ်ကိန်းဂဏန်းများ

နောက်ဆုံးအနေဖြင့်၊ အချုပ်အားဖြင့်၊ parametric မဟုတ်သောစာရင်းအင်းများနှင့် parametric ကိန်းဂဏန်းများအကြားကွာခြားချက်ကိုကြည့်ကြပါစို့။

Parametric Statistics သည် ဒေတာဖြစ်နိုင်ခြေ ဖြန့်ဝေမှုဖြင့် စံနမူနာယူနိုင်သည်ဟု ယူဆသည့် ကိန်းဂဏန်းစာရင်းဇယား၏ အကိုင်းအခက်ဖြစ်သည်။ ဥပမာအားဖြင့်၊ Student’s t test သည် Student’s t probability distribution ကို အသုံးပြုသောကြောင့် parametric test ဖြစ်သည်။

ပါရာမက်ထရစ်ကိန်းဂဏန်းများ နှင့် ပါရာမက်ထရစ်ကိန်းဂဏန်းများအကြား ခြားနားချက် မှာ ၎င်းတို့သည် သီအိုရီဆိုင်ရာ မော်ဒယ်များအပေါ် အခြေခံထားခြင်း ရှိ၊ ပါရာမက်ထရစ်ကိန်းဂဏန်းများသည် သတ်မှတ်ထားသော ဖြစ်နိုင်ခြေဖြန့်ဝေမှုများကို အသုံးပြုသော်လည်း ဖြစ်နိုင်ခြေဖြန့်ဝေမှုများနှင့် မကိုက်ညီသော ကိန်းရှင်များကို လေ့လာသည်။