参数检验与非参数检验的区别

 

1，参数检验是针对参数做的假设，非参数检验是针对总体分布情况做的假设，这个是区分参数检验和非参数检验的一个重要特征。

2，二者的根本区别在于参数检验要利用到总体的信息（总体分布、总体的一些参数特征如方差），以总体分布和样本信息对总体参数作出推断；非参数检验不需要利用总体的信息（总体分布、总体的一些参数特征如方差），以样本信息对总体分布作出推断。

3，参数检验只能用于等距数据和比例数据，非参数检验主要用于记数数据。也可用于等距和比例数据，但精确性就会降低。

非参数检验往往不假定总体的分布类型，直接对总体的分布的某种假设（例如如称性、分位数大小等等假设）作统计检验。最常见的非参数检验统计量有 3类：计数统计量、秩统计量、符号秩统计量

------------------------------------------------------------------------

补充

非参数检验

1. 不需要对总体分布作任何事先的假设（如正态分布） 2. 从检验内容上说，也不是检验总体分布的某些参数，而是检验总体某些有关的性质，所以称为非参数检验 3. 前面进行的假设检验和方差分析，大都是在数据服从正态 分布或近似地服从正态分布的条件下进行的。但是如果总体的 分布未知，或对总体分布知之甚少的情况下,如何利用样本信息 对总体分布形态做出推断? 非参数检验 -指推断过程不涉及总体 分布中的参数

 

转载自

https://zhidao.baidu.com/question/327567757.html?qbl=relate_question_1&word=%B2%CE%CA%FD%B9%C0%BC%C6%D3%EB%B7%C7%B2%CE%CA%FD%B9%C0%BC%C6%C7%F8%B1%F0

The distinction between parametric and non parametric is as follows: Does the number of parameters in the model grows as the number of examples in the dataset grows?

Parametric Example: Linear/Ridge regression, fixed number of parameters regardless of the number of examples.

Non-Parametric Example: Tree-based models, the parameters are the indexes of split variables, split values, and leaves values. As the number of examples grows so does the tree height and thus the number of parameters.



ANN case: as the number of parameter grows so does the number of neurons/layers and therefore considered as non-parametric.

1.模型是否具有固定或可变数量的参数，决定了模型是“参数”模型或“非参”模型。

2.对数据分布有没有做假设(下图为引用图片)

原文地址：http://blog.csdn.net/gao1440156051/article/details/44003051
参数与非参数模型 　用代数方程、微分方程、微分方程组以及传递函数等描述的模型都是参数模型。建立参数模型就在于确定已知模型结构中的各个参数。通过理论分析总是得出参数模型。非参数模型是直接或间接地从实际系统的实验分析中得到的响应，例如通过实验记录到的系统脉冲响应或阶跃响应就是非参数模型。运用各种系统辨识的方法，可由非参数模型得到参数模型。如果实验前可以决定系统的结构，则通过实验辨识可以直接得到参数模型。