2.9 : Tecniche di Inferenza Statistica nel Test di Ipotesi: Dati Parametrici e Non Parametrici

Le tecniche di inferenza statistica, fondamentali nei test di ipotesi, si differenziano in due grandi categorie: test statistici parametrici e non parametrici.

I test statistici parametrici, come suggerisce il nome, presuppongono che i dati seguano una distribuzione specifica, spesso una distribuzione normale. Questa ipotesi consente test di ipotesi e stime robuste. I metodi parametrici, come il t-test di Student o il test di bontà dell’adattamento, sono spesso impiegati in biostatistica per la loro robustezza. Ad esempio, il confronto dei livelli medi di zucchero nel sangue tra pazienti che ricevono trattamenti diversi, diventa statisticamente affidabile utilizzando metodi statistici parametrici.

D'altro canto, i test statistici non parametrici non fanno alcuna ipotesi sulla distribuzione sottostante dei dati. Entrano in gioco quando i dati non soddisfano i prerequisiti dei test parametrici o quando si gestiscono dati ordinali o categorici. Questi metodi offrono diversi vantaggi, tra cui la robustezza agli outlier e nessuna ipotesi distributiva specifica. Tuttavia, sono generalmente meno potenti dei test parametrici quando vengono soddisfatte tutte le ipotesi parametriche.

I metodi statistici non parametrici trovano impiego in varie applicazioni biostatistiche. Il test di Wilcoxon rank-sum, che confronta i tempi di sopravvivenza mediani tra due gruppi di animali da laboratorio, è un esempio. Un altro è il test di Kruskal-Wallis, un'alternativa non parametrica all'ANOVA per confrontare le mediane di più gruppi.

Le statistiche parametriche e non parametriche hanno un significato e delle applicazioni uniche nella biostatistica, e il loro utilizzo è determinato dalla natura dei dati e dalle ipotesi statistiche che possono essere fatte.