Skip to content
Torna ai risultati

Test Statistici Non Parametrici

Introdotto da
Henry Mann and Donald Whitney
Anno
1947
Tipo
Method
Famiglia
distribution-free-methods

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

I test (o test) non parametrici (distribution-free) sono metodi statistici per la verifica di ipotesi che non assumono che i dati seguano una specifica distribuzione di probabilità (es. normale), rendendoli robusti a deviazioni dalla normalità, outlier e dati ordinali.

Il test U di Mann-Whitney (1947) e il test di Kruskal-Wallis (1952) estendono la verifica di ipotesi oltre i vincoli delle assunzioni parametriche. Essenziali in biologia, medicina, psicologia e in ogni campo in cui i dati sono non normali, fortemente asimmetrici o misurati su scale ordinali (classifiche, valutazioni), i test non parametrici forniscono inferenze valide quando le assunzioni parametriche falliscono.

L’intuizione alla base del metodo

I test parametrici (t-test, ANOVA) assumono distribuzioni normali e varianze uguali; violazioni di queste assunzioni possono produrre p-value e intervalli di confidenza errati. I test non parametrici evitano assunzioni distributive ordinando le osservazioni: invece di analizzare i valori grezzi, convertono i dati in ranghi (1° più piccolo, 2° più piccolo, ..., più grande) e verificano se le distribuzioni dei ranghi differiscono tra i gruppi. Poiché i ranghi sono interi e preservano l'ordine, sono robusti a outlier, non normalità ed eteroschedasticità. Compromesso: i test non parametrici sacrificano potenza in condizioni ideali (dati normali, varianza uguale) ma guadagnano robustezza e validità in condizioni realistiche. Prassi moderna: usare i test non parametrici con liberalità; sono robusti e spesso quasi potenti quanto le alternative parametriche.

Storia

Henry Mann e Donald Whitney svilupparono il test U nel 1947 per confrontare due campioni. William Kruskal e Allen Wallis estesero l'approccio a campioni multipli nel 1952. Frank Wilcoxon sviluppò indipendentemente test basati sui ranghi per campioni appaiati (test dei ranghi con segno, 1945). Charles Spearman introdusse precedentemente la correlazione dei ranghi (1904). Questi metodi rimasero dormienti fino a quando il calcolo moderno rese obsoleti i calcoli manuali. La rinascita attuale è guidata da: (1) il riconoscimento che molti set di dati sono non normali, (2) l'ubiquità dei dati ordinali (sondaggi, valutazioni), (3) la filosofia delle statistiche robuste che enfatizza la protezione contro la violazione delle assunzioni.

Quando usarlo

Usare test non parametrici quando le assunzioni dei test parametrici sono violate e la trasformazione (log, radice quadrata) non riesce a normalizzare i dati, o quando i dati sono intrinsecamente ordinali. Psicologia: analisi di risposte su scala Likert (ordinale, spesso non normale); molti studi usano scale con < 10 categorie dove la normalità è implausibile. Medicina: confronto di valori di biomarcatori tra gruppi di trattamento quando le misurazioni sono fortemente asimmetriche (es. alcuni pazienti con valori zero, altri con valori alti). Biologia: valutazione di misure basate sui ranghi (classifiche di abbondanza di specie, classifiche di tornei). Usare anche metodi non parametrici come default nelle analisi esplorative iniziali quando la distribuzione dei dati è sconosciuta; se i risultati sono allineati con i test parametrici, l'approccio parametrico è probabilmente sicuro per l'analisi confermativa.

Limiti e considerazioni

  • Perdita di potenza in condizioni ideali: quando i dati sono veramente distribuiti normalmente con varianze uguali, i test non parametrici perdono il 5–15% di potenza rispetto ai t-test (efficienza relativa asintotica ≈ 0.95).
  • Meno sviluppati per disegni complessi: esistono meno equivalenti non parametrici per ANOVA fattoriale, MANOVA o aggiustamento per covariate complesso; metodi non parametrici multilivello meno standard.
  • Dimensione dell'effetto meno standardizzata: a differenza dei test parametrici con misure di dimensione dell'effetto ben consolidate (d di Cohen), le dimensioni dell'effetto non parametriche (r, correlazione rank-biseriale) sono meno comuni nella pratica.
  • Test post-hoc complessi: i confronti a coppie dopo Kruskal-Wallis sono meno standardizzati; le penalità per correzione di test multipli possono ridurre la potenza.
  • Limitati a test di posizione o associazione: i metodi non parametrici testano principalmente se le distribuzioni differiscono; non possono stimare parametri o testare ipotesi specifiche sulla struttura della media.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Robusti a non normalità e outlier: p-value validi anche quando i dati sono gravemente non normali o contengono valori estremi che non possono essere rimossi.
  • Funzionano con dati ordinali: possono analizzare scale Likert, classifiche o altre categorie ordinate; i test parametrici assumono dati continui, rendendoli tecnicamente non validi per dati ordinali.
  • Calcolo semplice: le statistiche basate sui ranghi sono intuitive e computazionalmente semplici; possono essere calcolate a mano per campioni piccoli.
  • Distribution-free: non assumono alcuna distribuzione di probabilità specifica, rendendoli universalmente applicabili a diversi tipi di dati.
  • Buona potenza statistica in caso di violazione delle assunzioni parametriche: quando le assunzioni parametriche sono false, i test non parametrici sono più potenti dei test parametrici che producono p-value non validi.

Applicazioni

  • Ricerca psicologica: confronto di risposte su scala Likert (soddisfazione lavorativa, gravità della depressione) tra gruppi di trattamento; le valutazioni sono tipicamente ordinali e non normali.
  • Medicina clinica: analisi dei livelli di biomarcatori (spesso asimmetrici con limiti di rilevamento) prima/dopo il trattamento; confronto delle valutazioni della gravità dei sintomi.
  • Salute occupazionale: classificazione delle esposizioni a rischio tra luoghi di lavoro o confronto di valutazioni ordinali sulla sicurezza; alternative pratiche ai metodi parametrici.
  • Valutazione educativa: confronto di punteggi o classifiche tra scuole o metodi di insegnamento; accoglie distribuzioni dei punteggi non normali.
  • Controllo qualità: classificazione della gravità dei difetti o confronto di misure ordinali di qualità tra lotti di produzione senza assumere normalità.

Come funziona

Come funziona

1

Somministrare test non parametrici quando: (1) i dati di esito sono non normali (verificare grafici Q-Q, test di Shapiro-Wilk), (2) i dati sono ordinali (ranghi, valutazioni, scale con valori limitati), (3) le dimensioni del campione sono piccole (< 30) dove la normalità non può essere verificata, (4) sono presenti outlier che non possono essere giustificati o rimossi, (5) le varianze sono disuguali (eteroschedasticità). Raccolta dati come per i test parametrici; non è richiesto un disegno campionario speciale. Requisito chiave: le osservazioni devono essere indipendenti (nessuna misura ripetuta senza aggiustamento); i dati devono essere ordinabili (si può determinare l'ordine relativo). Funziona con dati continui, ordinali o binari.

2

Per due gruppi indipendenti, usare il test U di Mann-Whitney (alternativa non parametrica al t-test indipendente): (1) Ordinare tutti i valori dal più piccolo al più grande, ignorando l'appartenenza al gruppo. (2) Sommare i ranghi in ciascun gruppo (R₁ e R₂). (3) Calcolare U₁ = n₁n₂ + [n₁(n₁+1)/2] − R₁ e U₂ = n₁n₂ + [n₂(n₂+1)/2] − R₂. (4) Statistica test U = min(U₁, U₂). (5) Ottenere il p-value dalle tabelle di distribuzione di Mann-Whitney (per campioni piccoli) o dall'approssimazione normale (per campioni grandi). Riportare la dimensione dell'effetto: r = Z / √n dove Z è la statistica test standardizzata, n è la dimensione totale del campione; r ≈ 0.1 piccolo, 0.3 medio, 0.5 grande. Per tre o più gruppi indipendenti, usare il test di Kruskal-Wallis: approccio simile ma calcola la statistica H della somma dei ranghi complessiva seguendo la distribuzione χ² con k−1 gradi di libertà. Per dati appaiati (misure ripetute), usare il test dei ranghi con segno di Wilcoxon: le differenze tra le coppie vengono ordinate e testate contro zero. Per la correlazione, usare la correlazione dei ranghi di Spearman ρ: correlazione dei ranghi piuttosto che dei valori grezzi.

3

Interpretazione del p-value come per i test parametrici: p < 0.05 indica una differenza statisticamente significativa tra i gruppi (al livello convenzionale). Tuttavia, poiché si usano i ranghi, la dimensione dell'effetto e l'interpretazione differiscono leggermente. Il test U di Mann-Whitney risponde: la distribuzione del gruppo 1 è stocasticamente più grande del gruppo 2? (cioè, i valori nel gruppo 1 tendono ad essere più alti?). La differenza mediana è spesso stimata per l'interpretazione pratica, ma tecnicamente il test confronta le distribuzioni, non solo le mediane. La dimensione dell'effetto r fornisce una misura standardizzata della separazione tra i gruppi. Per Kruskal-Wallis, un p-value significativo indica che almeno due gruppi differiscono; test post-hoc a coppie di Mann-Whitney identificano quali coppie (con correzione di Bonferroni). Per Spearman ρ, l'interpretazione è simile a Pearson r; i valori vanno da −1 a +1; ρ positivo indica ranghi concordanti.

Errori comuni

  • Incomprensione di ciò che viene testato: il test U di Mann-Whitney testa se le distribuzioni differiscono, non solo le mediane; due distribuzioni possono avere mediane uguali ma forme diverse. Esaminare sempre le distribuzioni visivamente.
  • Applicare test non parametrici a dati chiaramente normali: spreca potenza; usare test parametrici quando le assunzioni sono soddisfatte.
  • Utilizzo di test non parametrici su dati pesantemente categorizzati senza metodi appropriati: dati ordinali (es. scala Likert a 5 punti) analizzati con Mann-Whitney possono essere validi, ma con solo 2 categorie (dicotomiche), i test non parametrici basati sui ranghi collassano a chi-quadrato.
  • Mancata verifica dell'assunzione di indipendenza: i test non parametrici assumono osservazioni indipendenti; disegni con clustering, misure ripetute o appaiati richiedono aggiustamenti (test di Friedman per misure ripetute, stratificazione per dati appaiati).
  • Dicotomizzazione di variabili continue: convertire dati continui (età) in ordinali (giovane/vecchio) e poi applicare test non parametrici perde informazioni. Mantenere la forma continua quando possibile.
  • Interpretazione delle dimensioni dell'effetto basate sui ranghi come dimensioni dell'effetto pratiche: una dimensione dell'effetto non parametrica r = 0.3 quantifica la separazione statistica, non l'importanza pratica. Esaminare sempre la differenza effettiva nelle mediane o medie per la significatività pratica.

Domande frequenti

Quando dovrei usare il test U di Mann-Whitney invece di un t-test indipendente?

Usare il test U di Mann-Whitney se: (1) i dati non sono distribuiti normalmente (il grafico Q-Q mostra una deviazione, Shapiro-Wilk p < 0.05), (2) le varianze sono disuguali (test di Levene p < 0.05) e le dimensioni dei campioni sono disuguali, (3) i dati sono ordinali (classifiche, valutazioni), (4) le dimensioni dei campioni sono piccole (n < 30) quindi la normalità non può essere verificata, o (5) sono presenti outlier che sono reali (non errori di misurazione) e non possono essere rimossi. Se i dati sono chiaramente normali e con varianze uguali, il t-test è preferito (più potente). In pratica, il test U di Mann-Whitney è una scelta conservativa; funziona ragionevolmente bene anche per dati normali (perdita di potenza ~5%), quindi usarlo con liberalità è difendibile.

Cosa testa effettivamente il test U di Mann-Whitney: mediane o distribuzioni?

Tecnicamente, il test U di Mann-Whitney testa se le distribuzioni differiscono (dominanza stocastica). Se le distribuzioni hanno la stessa forma, il test approssima un test di differenza delle mediane. Tuttavia, due distribuzioni possono avere mediane uguali ma forme diverse (es. una simmetrica, una asimmetrica). Al contrario, mediane diverse implicano distribuzioni diverse. Migliore prassi: visualizzare sempre entrambe le distribuzioni con box plot o grafici di densità; l'esame dei dati effettivi chiarisce se il risultato del test riflette una differenza di mediana o una differenza distributiva più ampia. Riportare sia il p-value che la differenza delle mediane per l'interpretazione pratica.

Come gestisco i ranghi legati nei test non parametrici?

I legami (valori uguali) ricevono il rango medio. Ad esempio, se due osservazioni sono a pari merito al 5° posto, entrambe ricevono il rango 5.5. Questo è l'approccio standard ed è ciò che implementano i software statistici. Con molti legami, la statistica test potrebbe necessitare di aggiustamenti (test dei ranghi medi, test di permutazione). Se i legami sono molto comuni (es. molti valori zero o dati pesantemente categorizzati), considerare alternative: test di permutazione, o metodi robusti progettati per dati discreti.

Posso usare test non parametrici con dati su scala Likert?

Sì, i test non parametrici sono ben adatti per le scale Likert (dati ordinali). Il test U di Mann-Whitney confronta le distribuzioni delle risposte Likert tra gruppi; Kruskal-Wallis confronta tre o più gruppi. Tuttavia, fare attenzione con scale con pochissime categorie (es. scala a 3 punti): la potenza del test è ridotta rispetto ai dati continui. In alternativa, per scale Likert multi-item (es. sommando più item in un punteggio composito), il composito può approssimare la normalità (Teorema del Limite Centrale), giustificando test parametrici. Usare test non parametrici come default sicuro per misure ordinali a item singolo.

Metodi correlati

Fonti

  1. Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. Annals of Mathematical Statistics, 18(1), 50–60.

    Apri il riferimento DOI
    Copiato.
  2. Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621.

    Apri il riferimento DOI
    Copiato.
  3. Conover, W. J. (1999). Practical Nonparametric Statistics (3rd ed.). John Wiley & Sons.

    Apri il riferimento della pubblicazione
    Copiato.