Podcast o Štatistické testy a ich aplikácie

Kapitoly

Prečo neparametrické testy?

Testovanie náhodnosti

Testy mediánu pre jeden výber

Testy pre dva výbery

Testy pre viacero výberov

Testy extrémnych hodnôt

Testy zhody rozptylu

Zhrnutie a záver

Přepis

Barbora: Čo je tá jedna vec, ktorá pri neparametrickej štatistike potrápi 80 % študentov na skúške?

Jakub: Je to presne ten moment, keď sa musia rozhodnúť, prečo a kedy siahnuť po týchto testoch namiesto klasických, ktoré už poznajú. A presne toto si dnes ukážeme, aby ste v tom mali jasno raz a navždy.

Barbora: Počúvate Studyfi Podcast.

Barbora: Jakub, poďme teda na to. Prečo vlastne potrebujeme nejaké „neparametrické“ testy, keď už máme napríklad t-testy a podobne?

Jakub: Skvelá otázka, Barbora. Predstav si, že klasické, čiže parametrické testy, sú ako špecializované náradie. Sú super presné, ale fungujú len za určitých podmienok. Napríklad vyžadujú, aby dáta pochádzali z normálneho rozdelenia.

Barbora: A čo ak nepochádzajú? Čo ak sú moje dáta, povedzme, trochu „divné“ alebo zošikmené?

Jakub: Presne vtedy prichádzajú na scénu neparametrické testy. Sú ako univerzálny švajčiarsky nožík. Možno nie sú vždy také silné ako špecializované náradie, ale fungujú takmer na všetko. Nezaujímajú ich presné hodnoty, ale ich poradie. To je tá kľúčová myšlienka.

Barbora: Dobre, takže poradie je dôležité. V materiáloch sa často spomína testovanie náhodnosti. Prečo je to taký dôležitý prvý krok?

Jakub: Pretože väčšina štatistických metód predpokladá, že tvoje pozorovania sú nezávislé. Že hodnota, ktorú nameriaš teraz, neovplyvní hodnotu, ktorú nameriaš o chvíľu. Test náhodnosti overuje presne toto.

Barbora: Ako to funguje v praxi? Spomínajú sa tam nejaké „bloky“.

Jakub: Áno, predstav si, že hádžeš mincou a zapisuješ si výsledky. Ak ti padá panna, panna, panna, potom orol, orol, a potom zase panna, panna... Každá táto súvislá sekvencia rovnakých prvkov je jeden „blok“.

Barbora: Rozumiem. A čo nám počet tých blokov povie?

Jakub: Ak máš extrémne málo blokov — napríklad desaťkrát panna a potom desaťkrát orol — môže to naznačovať nejaký trend. Ak máš naopak extrémne veľa blokov — panna, orol, panna, orol, panna, orol — vyzerá to až príliš pravidelne, ako nejaký cyklus.

Barbora: Takže ani málo, ani veľa nie je dobré. Hľadáme taký zlatý stred, ktorý zodpovedá náhode.

Jakub: Presne tak. A na niečo podobné sa pozerá aj Bartelsov test. Ten sa zameriava na autokoreláciu.

Barbora: Autokorelácia? To znie zložito.

Jakub: Ale nie je. Je to len závislosť medzi za sebou idúcimi hodnotami. Ak je autokorelácia kladná, po vysokej hodnote bude pravdepodobne nasledovať ďalšia vysoká. Ak je záporná, hodnoty majú tendenciu striedať znamienka, ako na hojdačke.

Barbora: A ak je nulová, tak sú hodnoty nezávislé a všetko je v poriadku. Postupnosť je náhodná.

Jakub: Chytáš to výborne. Presne o to ide.

Barbora: Dobre, poďme k ďalšiemu testu. Jedno-vzorkový Wilcoxonov znamienkový test. Kedy ho použijem?

Jakub: Použiješ ho, keď chceš otestovať hypotézu o mediáne jedného súboru dát. Je to neparametrická alternatíva k jedno-vzorkovému t-testu, ktorý testuje priemer.

Barbora: A v čom je lepší?

Jakub: Jeho veľká výhoda je, že neberie do úvahy len to, či je hodnota väčšia alebo menšia ako testovaný medián, ale aj to, ako veľmi je od neho ďaleko. Robí to práve cez tie poradia, o ktorých sme hovorili.

Barbora: Aha! Takže hodnota, ktorá je od mediánu len trošičku vzdialená, bude mať menšiu váhu ako hodnota, ktorá je extrémne ďaleko.

Jakub: Presne tak. Vytvoríš si rozdiely medzi každou hodnotou a testovaným mediánom, zoberieš ich absolútne hodnoty, zoradíš ich od najmenšej po najväčšiu a priradíš im poradie. S týmito poradím potom pracuješ.

Barbora: Znie to logicky. Má to aj nejaké nevýhody?

Jakub: Má dve hlavné. Po prvé, vyžaduje, aby rozdelenie tvojich dát bolo symetrické. Nemusí byť normálne, ale nemalo by byť zošikmené na jednu stranu. A po druhé, predpokladá spojité rozdelenie, aby nevznikalo príliš veľa rovnakých hodnôt.

Barbora: Super, to bol jeden výber. Čo ak mám ale dve skupiny? Napríklad chcem porovnať výsledky testu dvoch rôznych tried.

Jakub: Vtedy máš na výber. Ak sú tie dve skupiny nezávislé – teda študenti v jednej triede nijako nesúvisia so študentmi v druhej – použiješ Mann–Whitney–Wilcoxonov test, často nazývaný aj Mann–Whitney U test.

Barbora: To je tá alternatíva k t-testu pre dva nezávislé výbery, však?

Jakub: Presne. Princíp je geniálne jednoduchý. Zoberieš všetky hodnoty z oboch skupín, hodíš ich do jedného vreca, usporiadaš ich od najmenšej po najväčšiu a priradíš im poradie.

Barbora: A potom? Pozerám sa, či študenti z jednej triedy majú systematicky vyššie alebo nižšie poradia ako študenti z druhej?

Jakub: Bingo! Ak obe skupiny pochádzajú z rovnakého rozdelenia, ich poradia by mali byť pekne premiešané. Ak je jedna skupina systematicky lepšia, jej hodnoty budú mať prevažne vyššie poradia. Test potom sčíta poradia pre každú skupinu a porovná tieto sumy.

Barbora: To je celkom intuitívne! A čo ak tie moje dve vzorky nie sú nezávislé? Napríklad meriam výkon tých istých športovcov pred a po tréningovom kempe.

Jakub: Vtedy hovoríme o závislých alebo párových vzorkách. A na to slúži Wilcoxonov znamienkový test pre dve závislé vzorky. Je to alternatíva k párovému t-testu.

Barbora: Ako ten funguje? Podobne?

Jakub: Veľmi podobne. Najprv pre každú dvojicu — napríklad pre každého športovca — vypočítaš rozdiel medzi hodnotou PRED a PO. Potom zoberieš absolútne hodnoty týchto rozdielov, zoradíš ich a priradíš im poradie. No a nakoniec sčítaš poradia pre kladné rozdiely a pre záporné rozdiely a porovnáš ich.

Barbora: Dobre, takže zvládli sme jeden výber, dva nezávislé a dva závislé. Čo ak mám skupín viac? Napríklad tri, štyri alebo päť tried?

Jakub: Logicky to posúvame ďalej. Ak máš viac ako dve nezávislé skupiny, použiješ Kruskal–Wallisov test. Je to vlastne rozšírenie Mann–Whitneyho testu.

Barbora: Takže opäť hodím všetky dáta do jedného vreca a priradím im poradia?

Jakub: Presne tak. A test overuje, či aspoň jedna skupina má medián polohy odlišný od ostatných. Je to neparametrická verzia analýzy rozptylu, teda ANOVA.

Barbora: A čo ak mám viac ako dve závislé vzorky? Napríklad meriam spokojnosť zamestnancov v januári, v júni a v decembri.

Jakub: Na to je tu Friedmanov test. Je to rozšírenie Wilcoxonovho testu pre závislé vzorky. Ale pozor, tu je kľúčový rozdiel v tom, ako tvoríš poradia.

Barbora: Aký?

Jakub: Pri Friedmanovom teste nespájaš všetky hodnoty dokopy. Namiesto toho priraďuješ poradia v rámci každého „bloku“ alebo subjektu. V tvojom príklade by si pre každého zamestnanca zvlášť zoradila jeho tri merania spokojnosti a priradila im poradia 1, 2 a 3.

Barbora: Aha, takže porovnávam, či má napríklad jún systematicky vyššie poradie u väčšiny zamestnancov. Rozumiem.

Jakub: Presne. Týmto sa eliminuje variabilita medzi jednotlivými subjektmi.

Barbora: Výborne. Poďme sa teraz pozrieť na niečo, čo študentov často straší – extrémne hodnoty alebo outliers. Ako ich vieme štatisticky odhaliť?

Jakub: Je na to niekoľko testov. Klasické sú napríklad Grubbsov alebo Dixonov test. Oba sú však dosť citlivé a majú jeden spoločný, pomerne obmedzujúci predpoklad.

Barbora: Predpokladám, že je to normalita dát.

Jakub: Uhádla si. Vyžadujú, aby tvoje dáta pochádzali z normálneho rozdelenia. To je trochu paradox, lebo práve extrémna hodnota ti môže tú normalitu narušiť.

Barbora: To je ako snažiť sa odomknúť dvere kľúčom, ktorý je zamknutý vnútri. Aké majú ďalšie nevýhody?

Jakub: Ich hlavný problém je takzvaný „maskovací efekt“. Oba testy testujú naraz iba jednu, tú najextrémnejšiu hodnotu. Ak máš v dátach dve alebo viac extrémnych hodnôt, môžu sa navzájom „maskovať“. Navzájom totiž ovplyvnia výpočet priemeru a smerodajnej odchýlky tak, že tá prvá extrémna hodnota sa už nemusí zdať až taká extrémna.

Barbora: Takže ak mám podozrenie na viac extrémov, tieto testy mi nemusia pomôcť. Čo s tým?

Jakub: Tu prichádza na rad hrdina neparametrickej štatistiky – Hampelov test. Je skvelý, pretože nepotrebuje predpoklad normality a nevadí mu ani prítomnosť viacerých extrémnych hodnôt.

Barbora: A prečo je taký odolný?

Jakub: Pretože namiesto priemeru a smerodajnej odchýlky, ktoré sú citlivé na extrémy, pracuje s mediánom a s mediánom absolútnych odchýlok od mediánu. Tieto miery sú voči extrémnym hodnotám oveľa robustnejšie. V podstate sa pre každú jednu hodnotu vypočíta špeciálna charakteristika, a ak prekročí určitú hranicu, označíme ju za extrémnu.

Barbora: Skvelé, to znie veľmi prakticky. Poďme na poslednú oblasť pre dnešok. Čo ak nechcem porovnávať stredné hodnoty alebo mediány, ale variabilitu, teda rozptyl v skupinách?

Jakub: Klasický test na to je F-test, ale ten je, ako inak, veľmi citlivý na porušenie predpokladu normality. Takže ak si nie si istá normalitou dát, lepšou voľbou sú Levenov test alebo Brown–Forsythov test.

Barbora: V čom sa líšia?

Jakub: Sú si veľmi podobné. Levenov test pracuje s absolútnymi odchýlkami hodnôt od priemeru v rámci každej skupiny. Brown–Forsythov test je jeho modifikácia a namiesto priemeru používa medián, čo ho robí ešte robustnejším voči extrémnym hodnotám.

Barbora: Takže ak mám podozrenie na nesymetrické rozdelenie alebo extrémy, Brown–Forsythov test je bezpečnejšia voľba.

Jakub: Presne tak. Sú to skvelé nástroje na overenie homogenity rozptylov, čo je dôležitý predpoklad pre mnohé iné testy, napríklad pre ANOVA.

Barbora: Jakub, toto bolo extrémne užitočné. Skúsme to na záver zhrnúť. Aká je tá hlavná myšlienka, ktorú by si študenti mali z neparametrickej štatistiky odniesť?

Jakub: To najdôležitejšie je pamätať si, že neparametrické testy sú vaši priatelia, keď zlyhajú predpoklady pre klasické parametrické testy – hlavne predpoklad normality. Namiesto práce s reálnymi hodnotami pracujú s ich poradím, čo ich robí veľmi flexibilnými a robustnými.

Barbora: A netreba sa báť ich názvov, ktoré znejú komplikovane. Princíp za nimi je často veľmi logický, ako sme si ukázali.

Jakub: Presne. Či už porovnávate jednu, dve, alebo viac skupín, či už sú závislé alebo nezávislé, takmer vždy existuje neparametrická alternatíva. A pre odhaľovanie extrémov je Hampelov test absolútny záchranca.

Barbora: Takže tá vec, ktorá potrápi 80 % študentov, je vlastne len strach z neznámeho a nepochopenie, KEDY tieto testy použiť. Dúfam, že sme to dnes objasnili.

Jakub: Pevne verím, že áno. Chce to len trochu praxe a nebáť sa použiť ten správny nástroj na daný problém.

Barbora: Perfektné. Ďakujem ti veľmi pekne, Jakub. A vám, milí poslucháči, ďakujeme, že ste boli s nami. Držíme palce na skúškach!

Jakub: Dovidenia nabudúce!