社会研究者经常构建一个假设，在这个假设中，他们假设某个普遍的规则可以应用于某个群体。他们通过使用参数或非参数的检验来检验这个假设。参数测试通常更为常见，在进行研究时，它的研究比标准测试早得多。

进行一项研究的过程相对简单——你构建一个假设，并假设某个“定律”可以应用于某一人群。然后进行测试并收集数据，然后进行统计分析。收集到的数据通常可以用图形表示，而假设的规律则是数据的平均值。如果假设定律与均值定律相匹配，则假设成立。

然而，在某些情况下，寻找平均值并不是寻找规律的最合适的方法。总收入的分配就是一个很好的例子。如果你没有达到平均值，那可能是因为一两个亿万富翁扰乱了你的平均值。然而，一个中位数将给出一个更准确的平均收入结果，更可能符合你的数据。

换言之，当对总体所作的假设是明确的并且有大量可用信息时，将使用参数检验。这些问题将被设计用来测量这些特定的参数，以便可以按照上述方法分析数据。当被测总体不完全已知，因此被测参数也未知时，使用非参数检验。此外，虽然参数检验使用平均值作为结果，但非参数检验取中值，因此通常在原始假设与数据不符时使用。

什么是参数检验(a parametric test)？

参数测试是一种测试，旨在提供数据，然后通过一门称为参数统计的科学分支进行分析。参数统计假设关于人口的一些信息是已知的，即概率分布。作为一个例子，身高在整个世界上的分布是用正态分布模型来描述的。与此类似，任何已知的分布模型都可以应用于一组数据。然而，假设一个特定的分布模型适合一个数据集意味着你内在地假设一些关于人口的附加信息是已知的，正如我所提到的。概率分布包含描述分布确切形状的不同参数。这些参数是参数测试所提供的–每个问题都是为了给每个被采访的人一个特定参数的精确值而定制的。综合起来，该参数的平均值用于概率分布。这意味着参数检验也假设了一些关于总体的东西。如果假设是正确的，应用于参数检验提供的数据的参数统计将给出比非参数检验和统计更精确的结果。

什么是非参数检验(a nonparametric test)？

与参数检验和统计学类似，非参数检验和统计学也是存在的。当获得的数据不符合正态分布曲线或序数数据时，使用它们。序数数据的一个很好的例子是，当你对某一产品或服务进行1到5的评分时，你留下的评论。通常序数数据是从使用不同排名或顺序的测试中获得的。因此，它不依赖于参数测试所依赖的参数的数字或精确值。事实上，它没有以任何方式使用参数，因为它没有假定某个特定的分布。通常，参数分析优于非参数分析，但如果由于未知总体而无法进行参数检验，则必须采用非参数检验。

参数检验与非参数检验的区别

1） 作出假设

正如我所提到的，参数检验对总体进行假设。它需要与分析中使用的正态分布相联系的参数，而了解这些参数的唯一方法就是对总体有一定的了解。另一方面，非参数检验，顾名思义，不依赖于任何参数，因此不假设任何关于总体的信息。

2） 参数与非参数概率

在参数试验的情况下，对数据进行统计分析的基础是概率分布。另一方面，非参数检验的基础并不存在——它完全是任意的。这将带来更大的灵活性，并使假设更容易与收集的数据相吻合。

3） 中心趋势测量

中心趋势的度量是概率分布中的中心值。尽管非参数统计的概率分布是任意的，但它仍然存在，因此中心趋势的度量也是如此。然而，这些措施是不同的。在参数检验的情况下，取平均值，而在非参数检验的情况下，取中值。

4） 总体参数知识

正如我在第一个差异中提到的，关于总体的信息在参数和非参数测试和统计中是不同的。也就是说，关于总体的某些知识对于参数分析是绝对必要的，因为它需要与总体相关的参数才能给出精确的结果。另一方面，一个非参数的方法可以采取没有任何先验知识的人口。

参数与非参数检验：比较图

总结 - 参数化的(of parametric) vs. 非参数(nonparametric)

• 与非参数检验相反，参数检验是一种假定某个总体的某些参数和分布已知的检验
• 参数检验使用均值，而非参数检验使用中值
• 与非参数方法相反，参数方法需要关于总体的先验知识