2.9 : Técnicas de Inferência Estatística em Testes de Hipóteses: Dados Paramétricos versus não Paramétricos

As técnicas de inferência estatística, primordiais em testes de hipóteses, diferenciam-se em duas grandes categorias: estatística paramétrica e não paramétrica.

A estatística paramétrica, como o nome sugere, assume que os dados seguem uma distribuição específica, geralmente uma distribuição normal. Essa suposição permite testes de hipóteses e estimativas robustas. Métodos paramétricos, como o teste t de Student ou o teste de ajuste, são frequentemente empregados em bioestatística devido à sua robustez. Por exemplo, comparar os níveis médios de glicose no sangue entre pacientes que recebem tratamentos diferentes torna-se estatisticamente confiável ao se utilizar métodos estatísticos paramétricos.

Por outro lado, as estatísticas não paramétricas não fazem quaisquer suposições sobre a distribuição subjacente dos dados. Elas entram em ação quando os dados não atendem aos pré-requisitos dos testes paramétricos ou quando se trata de dados ordinais ou categóricos. Esses métodos oferecem várias vantagens, incluindo robustez face a valores atípicos e a ausência de suposições distributivas específicas. No entanto, geralmente são menos poderosos do que os testes paramétricos quando todas as suposições paramétricas são atendidas.

Métodos estatísticos não paramétricos encontram aplicação em várias áreas da bioestatística. O teste de soma de postos de Wilcoxon, que compara tempos de sobrevivência medianos entre dois grupos de animais de laboratório, é um exemplo. Outro é o teste de Kruskal-Wallis, uma alternativa não paramétrica à ANOVA para comparar as medianas de vários grupos.

Estatísticas paramétricas e não paramétricas possuem significância e aplicações únicas em bioestatística, sendo a sua utilização determinada pela natureza dos dados e pelas suposições estatísticas que podem ser feitas.