Параметрические критерии

Параметрические критерии — это общее название для статистических критериев, основанных на предположении о том, что распределение данных в генеральной совокупности подчиняется определённому закону (чаще всего нормальному распределению) и описывается конечным набором параметров (например, средним арифметическим и дисперсией). В отличие от непараметрических критериев, параметрические методы используют для проверки гипотез выборочные оценки этих параметров и требуют выполнения ряда условий, таких как нормальность распределения, гомогенность дисперсий и независимость наблюдений.

История

Развитие параметрических критериев началось в конце XIX — начале XX века в рамках математической статистики. Основополагающие работы принадлежат Уильяму Госсету (псевдоним «Стьюдент»), который в 1908 году опубликовал t-критерий для проверки гипотез о средних при малых выборках. В 1920-х годах Рональд Фишер разработал дисперсионный анализ (ANOVA) и F-критерий, а также заложил основы теории проверки статистических гипотез. В 1930-х годах Ежи Нейман и Эгон Пирсон формализовали общую теорию проверки гипотез, включая понятия ошибок первого и второго рода.

В середине XX века, с развитием вычислительной техники, параметрические критерии стали широко применяться в биологии, психологии, экономике и других областях, где требуется анализ количественных данных. Однако в последние десятилетия, в связи с ростом популярности робастных и непараметрических методов, а также с критикой жёстких допущений, область применения параметрических критериев несколько сузилась, хотя они остаются основным инструментом в классическом статистическом анализе.

Основные допущения

Для корректного применения параметрических критериев необходимо выполнение нескольких ключевых условий:

1. Нормальность распределения. Данные в каждой сравниваемой группе должны быть взяты из генеральной совокупности, распределённой по нормальному (гауссовскому) закону. Нарушение этого допущения может привести к искажению вероятности ошибки первого рода (ложноположительного результата).
2. Гомогенность дисперсий. Дисперсии (вариации) в сравниваемых группах должны быть примерно равны. Это условие особенно важно для t-критерия Стьюдента и дисперсионного анализа.
3. Независимость наблюдений. Значения в выборке не должны быть связаны друг с другом (например, повторные измерения на одном и том же объекте требуют специальных модификаций критериев).
4. Интервальный или относительный уровень измерения. Параметрические критерии применимы только к количественным данным, где можно вычислить среднее и дисперсию.

При нарушении этих допущений (особенно нормальности) результаты параметрических критериев могут быть ненадёжными. В таких случаях рекомендуется использовать непараметрические аналоги (например, U-критерий Манна — Уитни вместо t-критерия) или применять робастные методы (например, t-критерий Уэлча, не требующий равенства дисперсий).

Классификация параметрических критериев

Параметрические критерии можно классифицировать по числу выборок и цели анализа:

По числу выборок

• Одновыборочные критерии. Используются для сравнения характеристик одной выборки с известным эталонным значением (например, t-критерий для одной выборки проверяет гипотезу о равенстве среднего заданному числу).
• Двухвыборочные критерии. Предназначены для сравнения двух групп. К ним относятся:
• t-критерий Стьюдента для независимых выборок (сравнение средних двух независимых групп);
• t-критерий Стьюдента для зависимых (парных) выборок (сравнение средних двух связанных групп, например, «до» и «после»);
• F-критерий Фишера для сравнения дисперсий двух выборок.
• Многовыборочные критерии. Используются при анализе трёх и более групп. Основной метод — дисперсионный анализ (ANOVA), который позволяет проверить гипотезу о равенстве средних во всех группах одновременно. Различают однофакторный, двухфакторный и многофакторный ANOVA, а также ANOVA с повторными измерениями.

По типу проверяемой гипотезы

• Критерии для средних. Проверяют гипотезы о равенстве или различии средних арифметических (t-критерий, ANOVA).
• Критерии для дисперсий. Проверяют гипотезы о равенстве дисперсий (F-критерий, критерий Бартлетта, критерий Левене).
• Критерии для корреляций и регрессий. Параметрические методы оценки связей (коэффициент корреляции Пирсона, линейная регрессия) также основаны на предположении о нормальности распределения остатков.

Применение

Параметрические критерии широко используются в различных областях науки и практики:

• Биология и медицина. Сравнение эффективности лекарственных препаратов (t-критерий для зависимых выборок), анализ результатов клинических испытаний (ANOVA), оценка влияния факторов на биологические показатели.
• Психология и педагогика. Сравнение средних баллов тестов в контрольной и экспериментальной группах, анализ данных лонгитюдных исследований.
• Экономика и социология. Анализ доходов, расходов, производительности труда; проверка гипотез о различиях между регионами или социальными группами.
• Технические науки. Контроль качества продукции, анализ результатов экспериментов, оценка точности измерительных приборов.

Преимущества и недостатки

Преимущества

• Высокая статистическая мощность. При соблюдении допущений параметрические критерии имеют большую мощность (способность обнаружить реальные различия) по сравнению с непараметрическими аналогами, особенно на малых выборках.
• Возможность оценки величины эффекта. Параметрические методы позволяют вычислять доверительные интервалы для разности средних, коэффициентов регрессии и других параметров, что даёт более содержательную интерпретацию результатов.
• Развитая теория и инструментарий. Для параметрических критериев разработаны многочисленные модификации, учитывающие различные нарушения допущений (например, поправка Бонферрони для множественных сравнений, критерий Уэлча для неравных дисперсий).

Недостатки

• Чувствительность к нарушениям допущений. При существенном отклонении от нормальности или неравенстве дисперсий параметрические критерии могут давать неверные результаты (завышенная или заниженная вероятность ошибки первого рода).
• Требования к данным. Необходимость интервального или относительного уровня измерения и независимости наблюдений ограничивает применение на порядковых шкалах или при наличии зависимых наблюдений (например, в кластерных выборках).
• Сложность интерпретации при множественных сравнениях. При одновременной проверке многих гипотез (например, в ANOVA) требуется коррекция уровня значимости, что снижает мощность.

Примеры параметрических критериев

Критика

Основная критика параметрических критериев связана с их жёсткими допущениями, которые редко выполняются в реальных данных. Многие исследователи отмечают, что на практике нормальность распределения часто нарушается, а проверка этого допущения (например, с помощью критерия Шапиро — Уилка) может быть недостаточно мощной на малых выборках. Кроме того, даже при умеренных отклонениях от нормальности параметрические критерии могут сохранять приемлемую робастность, но это не всегда гарантировано.

В ответ на эти ограничения были разработаны непараметрические критерии, которые не требуют знания распределения данных, и робастные методы, устойчивые к выбросам и нарушениям допущений. Современная статистическая практика рекомендует выбирать метод анализа на основе конкретных характеристик данных, а не слепо следовать традиции использования параметрических критериев.

См. также

• Непараметрические критерии
• Дисперсионный анализ
• Статистическая гипотеза
• Нормальное распределение
• Робастная статистика

Источники

• Гмурман В. Е. Теория вероятностей и математическая статистика. — М.: Высшая школа, 2003.
• Кобзарь А. И. Прикладная математическая статистика. — М.: Физматлит, 2006.
• Орлов А. И. Математические методы теории классификации. — М.: МГТУ им. Н. Э. Баумана, 2004.
• Стьюдент (Госсет У. С.). Вероятная ошибка среднего // Биометрика. — 1908. — Т. 6, № 1. — С. 1–25.
• Фишер Р. А. Статистические методы для исследователей. — М.: Госстатиздат, 1958.
• Нейман Дж., Пирсон Э. С. О проблеме наиболее эффективных тестов статистических гипотез // Философские труды Королевского общества. — 1933. — Т. 231. — С. 289–337.