Nicht-parametrische Statistik
Eine kleine Einführung
Überblick
• Anwendung nicht-parametrischer Statistik
• Behandelte Tests
– Mann-Whitney U Test
– Kolmogorov-Smirnov Test – Wilcoxon Test
– Binomialtest
– Chi-squared Test – Kruskal-Wallis Test
Anwendung nicht-parametrischer Statistik
• kleine Stichproben (bei Experimenten häufig zwischen n=6 und n=30)
• keine Annahmen über die Verteilung der Daten in der Grundgesamtheit
• ordinalskalierte und kategoriale Variablen können einfach ausgewertet werden
• Methoden ähnlich der Medizin, Biologie
Mann-Whitney U-test
Test, ob Daten aus zwei statistisch unabhängigen Stichproben (X und Y) aus derselben
Grundgesamtheit (hinsichtlich des Mittelwertes) stammen.
H0 : keine Mittelwertsunterschiede
H1 : Mittelwerte unterscheiden sich: X ≠ Y (zweiseitiger Test)
(Einseitiger Test wäre X > Y oder X < Y.)
Mann-Whitney U-test: Ein Beispiel
Ultimatum-Spiel mit VWlern vs. Nicht-VWLer:
Bringe die Beobachtungen in eine aufsteigende Reihenfolge und ordne aufsteigend Ränge zu
Angebote der VWLer 2 4 1 0.5 0.5
Angebote der Nicht-VWLer 3 2.5 5 5
offer 0.5 0.5 1 2 2.5 3 4 5 5
group V V V V NV NV V NV NV
rank 1.5 1.5 3 4 5 6 7 8.5 8.5
U-test: Ein Beispiel – Fortsetzung
Summiere die Ränge der kleineren Gruppe zu W (Testgröße) Im Beispiel: W(N) = 28 [maximaler Wert wäre W(N) = 30]
p = 0.063 (zweiseitig) (siehe Table J aus Siegel/Castellan) p = 0.048 (zweiseitig) (aus STATA)
Approximation durch Normalverteilung von W(N) für große n STATA: ranksum offer, by(study)
offer 0.5 0.5 1 2 2.5 3 4 5 5
group V V V V NV NV V NV NV
rank 1.5 1.5 3 4 5 6 7 8.5 8.5
Kolmogorov-Smirnov-Test
Test, ob Daten aus zwei statistisch unabhängigen Stichproben (X und Y) aus derselben
Grundgesamtheit (hinsichtlich der Verteilung der Beobachtungen, Mittelwert, Schiefe …) stammen.
H0 : Verteilungsgleichheit
H1 : Verteilungen sind signifikant unterschiedlich (zweiseitiger Test)
Kolmogorov-Smirnov-Test: Ein Beispiel
Ultimatum-Spiel mit VWLern vs. Nicht-VWLer:
Bestimme die kumulierten Häufigkeiten der Beobachtungen.
Angebote der VWLer 2 4 1 0.5 0.5 Angebote der Nicht-VWLer 3 2.5 5 5
offer 0.5 1 2 2.5 3 4 5
VWL 40% 60% 80% 80% 80% 100% 100%
N-VWL 0% 0% 0% 25% 50% 50% 100%
Kolmogorov-Smirnov-Test – Fortsetzung
Suche die größte (absolute) Differenz zwischen den kumulierten Häufigkeiten und bilde folgende Größen:
Dm,n = max |Sn (X) - Sm (X)|, wobei m(n) die Anzahl der Beobachtungen in beiden Stichproben ist und
Sm (X) = K/m, wobei K die Anzahl der Beobachtungen ist, die kleiner oder gleich X sind.
offer 0.5 1 2 2.5 3 4 5
VWL 40% 60% 80% 80% 80% 100% 100%
N-VWL 0% 0% 0% 25% 50% 50% 100%
Sn (X) - Sm (X) 40% 60% 80% 55% 30% 50% 0%
Kolmogorov-Smirnov-Test – Fortsetzung
Die Testgröße ist dann: m*n* Dm,n = 5*4*0.8 = 16
p = 0.10 (zweiseitig) (siehe Table LII aus Siegel/Castellan) p = 0.116 (zweiseitig) (aus STATA)
Approximation durch die χ² Verteilung für große n (mit df=2) STATA: ksmirnov offer, by(study)
Möglichkeit gegen eine theoretische Verteilung zu testen
offer 0.5 1 2 2.5 3 4 5
VWL 40% 60% 80% 80% 80% 100% 100%
N-VWL 0% 0% 0% 25% 50% 50% 100%
Sn (X) - Sm (X) 40% 60% 80% 55% 30% 50% 0%
Wilcoxon-Signed-Ranks Test
Test, ob zwischen zwei statistisch abhängigen Beobachtungen (X1 und X2) Unterschiede bestehen
H0 : keine Unterschiede (X1 = X2)
H1 : Beobachtungen unterscheiden sich: X1 ≠ X2 (zweiseitiger Test)
(Einseitiger Test wäre X1 > X2 oder X1 < X2.)
Wilcoxon Test: Ein Beispiel
Wiederholtes Ultimatum-Spiel
Bilde die Differenz zwischen den gepaarten Beobachtungen und ordne Ränge nach absoluter Differenz (versehen mit dem Vorzeichen der Differenz zu)
Subjekt 1 2 3 4 5 6 7 8 9
Runde 1 0.5 0.5 1 2 2.5 3 4 5 5
Runde 2 1.5 1.5 1 1.5 1 1 1 2 2.5
Subjekt 1 2 3 4 5 6 7 8 9
Runde 1 0.5 0.5 1 2 2.5 3 4 5 5
Runde 2 1.5 1.5 1 1.5 1 1 1 2 2.5
Differenz 1 1 0 -0.5 -1.5 -2 -3 -3 -2.5 Rang +2.5 +2.5 drop -1 -4 -5 -7.5 -7.5 -6
Wilcoxon Test: Ein Beispiel – Fortsetzung
T+ = Summe der Ränge mit positivem Vorzeichen (T+ = 5) T- = Summe der Ränge mit negativem Vorzeichen (T- = 31)
p = 0.078 (zweiseitig mit N=8 (!), siehe Table H aus S/C) p = 0.0745 (aus STATA)
Approximation durch Normalverteilung für große n STATA: signrank offer = offer[_n+1]
Sign-Test als Alternative (auch gegen feste Werte)
Subjekt 1 2 3 4 5 6 7 8 9
Runde 1 0.5 0.5 1 2 2.5 3 4 5 5
Runde 2 1.5 1.5 1 1.5 1 1 1 2 2.5
Differenz 1 1 0 -0.5 -1.5 -2 -3 -3 -2.5 Rang +2.5 +2.5 drop -1 -4 -5 -7.5 -7.5 -6
Binomial-Test
Zwei Merkmalsausprägungen [X=1 oder X=0] (z.B.
Kopf oder Zahl bei Münze; Budgetüber- oder – unterschreitung)
Wahrscheinlichkeit für X=1: p
Wahrscheinlichkeit für X=0: q = 1 – p H0 : p = p0
H1 : p ≠ p0
Test, ob die Verteilung der Merkmalsausprägungen aus einer Grundgesamtheit mit p = p0 stammen kann
Binomial-Test: Ein Beispiel
Münzwurf: Eine Münze werde 10 mal geworfen
Wahrscheinlichkeiten: p = q = 0.5 Y = Σ X = 2
Wahrscheinlichkeit, dass Y einen bestimmten Wert annimmt:
wobei
Wurf 1 2 3 4 5 6 7 8 9 10
Ergebnis K Z K K K K Z K K K
X 0 1 0 0 0 0 1 0 0 0
)!
(
!
! ]
[
k N
k
N k
N
q k p
k N Y
P k N k
= −
⎟⎠
⎜ ⎞
⎝
⎛
⎟⎠
⎜ ⎞
⎝
= ⎛
= −
Binomial-Test: Ein Beispiel - Fortsetzung
Wahrscheinlichkeit, dass Y=2
Beim Binomialtest interessiert die kumulierte Wahrscheinlichkeit, dass Y ≤ r oder Y ≥ s
(siehe Table D) 043
. 0 5
. 2 0
10
* 5 9
. 0 5 .
!0 8
! 2
! 10 2
] 10 2
[ ⎟ 2 8 = 2 8 = 10 =
⎠
⎜ ⎞
⎝
= ⎛
= p q
Y P
i N k i
i
q i p
k N Y
P −
∑= ⎟
⎠
⎜ ⎞
⎝
= ⎛
≤
0
] [
055 .
0
] 2 [
] 1 [
] 0 [
] 2 [
2 0
∑ ⎟ =
⎠
⎜ ⎞
⎝
= ⎛
=
= +
= +
=
=
≤
−
=
i N i i
q i p
N
Y P Y
P Y
P Y
P
Binomial-Test: Ein anderes Beispiel
Weichen Budgetvoranschlag und Budgetrealisierung für
Forschung und Wissenschaft systematisch voneinander ab?
Nein (16 Überschreitungen in den letzten 28 Jahren).
U n te rs c h ie d V o ra n s c h la g / Z a h lu n g e n (+ Ü b e rs c h re itu n g ) B ild u n g s s e k to r
-8 . 0 0 % -6 . 0 0 % -4 . 0 0 % -2 . 0 0 % 0 . 0 0 % 2 . 0 0 % 4 . 0 0 % 6 . 0 0 % 8 . 0 0 % 1 0 . 0 0 % 1 2 . 0 0 %
1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9
J a h r
F o rs c h u n g u n d W is s e n s c h a ft
Chi-squared-test (χ²-test)
Test, ob Unterschiede in Verteilungen in zwei oder
mehreren Kategorien existieren (Mindestanzahl an Beobachtungen pro Zelle ca. 5).
Test möglich für den Vergleich zweier Beoabchtung und dem Vergleich zu einer theoretischen Verteilung.
Einfachste Anwendung: 2x2-Tabellen.
Teststatistik (mit Kontinuitätskorrektur):
χ² = N{|AD – BC| - N/2}² / {(A+B)(C+D)(A+C)(B+D)}
Reject, if χ² > 3.84 (p < 0.05).
A B C D
Chi-squared-test (χ²-test) - Beispiel
χ² = N{|AD – BC| - N/2}² / {(A+B)(C+D)(A+C)(B+D)} = 0.61
Nicht ablehnen, da χ² < 3.84 (p < 0.05)
Möglichkeit der Erweiterung auf r x k Beobachtungen
# offers unter 5 # offers über 5
VWLer 8 14
Nicht-VWLer 13 12
Kruskal-Wallis Test
Test, ob Daten aus k statistisch unabhängigen Stichproben (X, Y, Z, …) aus derselben Grundgesamtheit stammen.
Teststatistik H wird über die Varianzen gebildet und folgt einer χ² Verteilung mit df = k-1
H0 = mehrere Stichproben sind aus derselben Grundgesamtheit
H1 = Stichproben aus unterschiedlichen Grundgesamtheiten STATA: kwallis offer, by(age)
Übersicht der behandelten Tests
One sample Two samples N samples
Abhängige
Beobachtungen
Unabhängige Beobachtungen
Unabhängige Beobachtungen Nominale
oder
kategoriale Daten
Binomial Test
χ²-test (r x 2) χ²-test (r x k)
Ordinale Daten
Kolmogorov- Smirnov (one- sample)
Sign test
Wilcoxon signed ranks test
Mann-Whitney U test
Kolmogorov- Smirnov (two- sample)
Kruskal-Wallis test