جب نارملیت کے مفروضات ناکام ہوں
بہت سے مقبول شماریاتی ٹیسٹ جیسے t-ٹیسٹ اور ANOVA فرض کرتے ہیں کہ ڈیٹا نارمل تقسیم سے آتا ہے۔ حقیقی دنیا کا ڈیٹا اکثر جھکاؤ رکھتا ہے، بیرونی اقدار ہوتی ہیں یا ترتیبی زمروں میں ہوتا ہے۔ شدید جھکے ہوئے ڈیٹا پر t-ٹیسٹ لگانا گمراہ کن نتائج دے سکتا ہے۔ غیر پیرامیٹرک ٹیسٹ مضبوط متبادل فراہم کرتے ہیں۔
درجے پر مبنی طریقہ
زیادہ تر غیر پیرامیٹرک ٹیسٹوں کا مرکزی خیال سادہ ہے: اصل ڈیٹا اقدار کا تجزیہ کرنے کی بجائے آپ انہیں درجوں میں بدلتے ہیں۔ سب سے چھوٹی قدر کو درجہ 1 ملتا ہے، اگلی چھوٹی کو 2 وغیرہ۔ درجے ڈیٹا کی ترتیب محفوظ رکھتے ہیں اقدار کے فاصلوں سے متاثر ہوئے بغیر۔
مین-وٹنی U ٹیسٹ
یہ آزاد نمونوں کے t-ٹیسٹ کا غیر پیرامیٹرک متبادل ہے۔ دو آزاد گروہوں کا موازنہ کرنا ہو لیکن ڈیٹا نارمل نہ ہو تو استعمال کریں۔
ایک ریستوران دوپہر اور رات کی سروس میں صارفین کی اطمینان درجہ بندی (1 سے 10 کے پیمانے پر) کا موازنہ کرنا چاہتا ہے۔ مین-وٹنی U ٹیسٹ تمام درجہ بندیوں کو ملا کر ترتیب دیتا ہے اور جانچتا ہے کہ ایک گروہ مسلسل اونچے درجے حاصل کرتا ہے یا نہیں۔
ولکاکسن سائنڈ-رینک ٹیسٹ
یہ جوڑے نمونوں کے t-ٹیسٹ کا غیر پیرامیٹرک متبادل ہے۔ ایک ہی مضامین سے دو متعلقہ پیمائشیں ہوں لیکن فرق نارمل نہ ہوں تو استعمال کریں۔
کرسکل-والس ٹیسٹ
یہ مین-وٹنی طریقے کو تین یا زیادہ آزاد گروہوں تک بڑھاتا ہے۔ ایک طرفہ ANOVA کا غیر پیرامیٹرک متبادل ہے۔
غیر پیرامیٹرک کب استعمال کریں
جب ڈیٹا ترتیبی ہو، نمونے بہت چھوٹے ہوں (20-30 سے کم)، ڈیٹا واضح طور پر جھکا ہوا ہو یا بیرونی اقدار ہوں۔ صرف محفوظ لگنے کی وجہ سے غیر پیرامیٹرک ٹیسٹ استعمال نہ کریں -- جب مفروضات پورے ہوں تو پیرامیٹرک ٹیسٹ زیادہ طاقتور ہیں۔
غیر پیرامیٹرک ٹیسٹ آپ کا حفاظتی جال ہیں جب ڈیٹا نارمل تقسیم نہ رکھتا ہو، بیرونی اقدار ہوں یا ترتیبی پیمانے پر ناپا گیا ہو۔ مین-وٹنی U دو آزاد گروہوں، ولکاکسن سائنڈ-رینک جوڑے پیمائشوں، اور کرسکل-والس تین یا زیادہ گروہوں کا موازنہ کرتا ہے۔ یہ خام اقدار کی بجائے درجوں کا تجزیہ کر کے کام کرتے ہیں۔