Параметрические и непараметрические критерии: в чём разница

Почти на каждой защите звучит вопрос: «А почему вы выбрали именно этот критерий?» Чтобы ответить уверенно, нужно понимать разницу между параметрическими и непараметрическими методами. Объясним без формул, с примерами.

Коротко о главном

• Параметрические критерии работают со средними значениями и требуют, чтобы данные были количественными и распределены нормально. Пример — критерий Стьюдента, дисперсионный анализ (ANOVA), корреляция Пирсона.
• Непараметрические (ранговые) критерии работают с порядком значений (рангами), не требуют нормальности и подходят для оценок и баллов. Пример — Манна-Уитни, Вилкоксон, Краскел-Уоллис, Спирмен.

Главное различие: параметрические сравнивают средние и чувствительны к выбросам и форме распределения; непараметрические сравнивают ранги (порядок) и устойчивы к выбросам.

Когда нужны параметрические

Используйте их, если одновременно выполнены условия:

1. Данные — числовые измерения (рост, время, баллы теста 0–100, количество).
2. Распределение близко к нормальному.
3. Достаточный объём выборки.

Нормальность проверяют отдельным критерием — Шапиро-Уилка (для небольших выборок) или Колмогорова-Смирнова (для больших). Если p > 0,05 — распределение можно считать нормальным, и параметрический критерий допустим.

Пример. Сравниваем средний рост в двух группах. Рост — измерение, распределено нормально → можно критерий Стьюдента.

Когда нужны непараметрические

Берите ранговые критерии, если верно хотя бы одно:

• данные — это оценки, баллы анкеты, ранги («низкий/средний/высокий», шкалы 1–5, баллы опросников);
• распределение далеко от нормального (есть сильные выбросы, перекос);
• маленькая выборка, где нормальность не проверить надёжно.

Большинство психологических и педагогических методик (САН, Спилбергер и др.) — это баллы, поэтому для них почти всегда корректны именно ранговые критерии. Их же чаще всего требуют научные руководители.

Пример. Сравниваем уровень тревожности (баллы анкеты) у двух групп. Это баллы → критерий Манна-Уитни.

Таблица соответствия

У каждого параметрического критерия есть ранговый «аналог» для тех же задач:

Чем описывать данные

Способ описания тоже зависит от выбора:

• для параметрических — приводят среднее и стандартное отклонение (M ± σ);
• для непараметрических — медиану и квартили (Me, Q1–Q3), потому что они устойчивы к выбросам.

Подробнее об этом — в статье «Как описать выборку в дипломе».

Плюсы и минусы

Параметрические: мощнее (легче обнаруживают реальное различие) — но только при выполненных условиях. Если условия нарушены, результат может быть неверным.

Непараметрические: надёжнее и универсальнее (работают почти всегда), но чуть менее «чувствительны». Зато их сложно применить неправильно.

Частые ошибки

• Применять Стьюдента к балльным шкалам — частая ошибка; для баллов нужны ранговые методы.
• Забывать проверить нормальность перед параметрическим критерием.
• Считать, что непараметрический критерий хуже — он не «хуже», просто решает задачу по-другому и часто корректнее для студенческих данных.

Частые вопросы

Как понять, нормальное ли у меня распределение?

Проверить критерием Шапиро-Уилка: если p > 0,05 — распределение можно считать нормальным.

Можно ли применить ранговый критерий к нормальным данным?

Да, можно — он останется корректным, просто чуть менее мощным. А вот наоборот (параметрический к ненормальным/балльным) — некорректно.

Что выбрать, если сомневаюсь?

Непараметрический критерий — безопасный выбор по умолчанию.

Главный вывод

Если сомневаетесь — непараметрические критерии безопаснее: они работают почти всегда и не требуют проверки нормальности. Параметрические дают чуть больше «мощности», но только при выполненных условиях.

Подобрать критерий под свои данные поможет база методов, а если нужно сделать всё под ключ — консультация эксперта.