آزمون ناپارامتریک چیست؟ راهنمای انتخاب و کاربرد آزمون‌های ناپارامتری در پژوهش

آزمون ناپارامتریک چیست و چه زمانی باید از آن استفاده کنیم؟

آزمون ناپارامتریک یکی از گروه‌های مهم روش‌های آماری در پژوهش است که در شرایطی که استفاده از برخی آزمون‌های پارامتریک مناسب نباشد، می‌تواند برای تحلیل داده‌ها مورد استفاده قرار گیرد. این آزمون‌ها به‌ویژه برای داده‌های رتبه‌ای، توزیع‌های نامتقارن، نمونه‌های کوچک یا داده‌هایی که برخی فرض‌های روش‌های پارامتریک را برآورده نمی‌کنند اهمیت دارند.

آزمون‌هایی مانند Mann–Whitney U، Wilcoxon، Kruskal–Wallis، Friedman و Spearman از شناخته‌شده‌ترین آزمون‌های ناپارامتریک هستند و در پژوهش‌های علوم انسانی، مدیریت، روان‌شناسی، علوم اجتماعی، پزشکی، تربیت‌بدنی و بسیاری از حوزه‌های دیگر کاربرد دارند.

اما آیا هر داده غیرنرمالی الزاماً به آزمون ناپارامتریک نیاز دارد؟ خیر. انتخاب آزمون باید بر اساس سؤال پژوهش، نوع متغیر، مقیاس اندازه‌گیری، طراحی مطالعه، استقلال یا وابستگی مشاهدات و فرض‌های آماری انجام شود.

در این راهنما با مفهوم آزمون ناپارامتریک، تفاوت آن با آزمون پارامتریک، انواع آزمون‌های مهم و روش انتخاب آزمون مناسب آشنا می‌شوید.

آزمون ناپارامتریک چیست؟

آزمون ناپارامتریک (Nonparametric Test) به مجموعه‌ای از روش‌های آماری گفته می‌شود که در مقایسه با بسیاری از آزمون‌های پارامتریک، به فرض‌های محدودکننده کمتری درباره شکل توزیع جامعه یا پارامترهای آن متکی هستند.

بسیاری از آزمون‌های ناپارامتریک به جای تکیه مستقیم بر مقادیر عددی، از رتبه داده‌ها یا ساختار توزیع آن‌ها استفاده می‌کنند.

برای مثال، در آزمون Mann–Whitney U، داده‌ها در دو گروه با یکدیگر رتبه‌بندی می‌شوند و مقایسه بر اساس رتبه‌ها انجام می‌شود.

نکته مهم این است که اصطلاح «ناپارامتریک» به معنای «بدون هیچ فرضی» نیست. این آزمون‌ها نیز شرایط و پیش‌فرض‌های خاص خود را دارند و باید متناسب با طراحی پژوهش انتخاب شوند.

چرا از آزمون‌های ناپارامتریک استفاده می‌کنیم؟

دلایل مختلفی می‌تواند پژوهشگر را به سمت یک روش ناپارامتریک هدایت کند.

داده‌ها رتبه‌ای هستند

اگر داده‌ها ماهیت ترتیبی یا رتبه‌ای داشته باشند، برخی آزمون‌های ناپارامتریک انتخاب مناسبی هستند.

برای مثال، پاسخ‌های یک مقیاس رضایت می‌توانند به شکل:

• بسیار کم
• کم
• متوسط
• زیاد
• بسیار زیاد

ثبت شوند.

توزیع داده‌ها با فرض‌های آزمون پارامتریک سازگار نیست

برخی روش‌های پارامتریک به فرض‌هایی درباره توزیع داده‌ها نیاز دارند. در شرایطی که این فرض‌ها به شکل قابل‌قبولی برقرار نباشند، ممکن است یک روش ناپارامتریک مناسب‌تر باشد.

وجود داده‌های پرت

داده‌های پرت می‌توانند بر برخی روش‌های پارامتریک تأثیر قابل‌توجهی داشته باشند. روش‌های مبتنی بر رتبه در برخی شرایط نسبت به این مسئله مقاوم‌تر هستند.

حجم نمونه محدود است

در نمونه‌های کوچک، بررسی فرض‌های توزیعی اهمیت بیشتری پیدا می‌کند و گاهی روش‌های ناپارامتریک گزینه مناسبی هستند.

البته کوچک بودن حجم نمونه به‌تنهایی دلیل قطعی برای استفاده از آزمون ناپارامتریک نیست.

تفاوت آزمون پارامتریک و ناپارامتریک چیست؟

تفاوت اصلی این دو گروه را می‌توان از چند جنبه بررسی کرد.

این جدول یک مقایسه کلی است و به این معنا نیست که یک گروه همیشه بهتر از دیگری است.

آزمون مناسب، آزمونی است که با ساختار داده و سؤال پژوهش سازگار باشد.

چه زمانی آزمون ناپارامتریک مناسب است؟

برای انتخاب آزمون ناپارامتریک، بهتر است چند سؤال اصلی مطرح شود:

1. متغیر مورد تحلیل چه نوعی است؟
2. مقیاس اندازه‌گیری آن چیست؟
3. هدف پژوهش مقایسه است یا بررسی رابطه؟
4. چند گروه وجود دارد؟
5. گروه‌ها مستقل هستند یا وابسته؟
6. آیا فرض‌های آزمون پارامتریک برقرار هستند؟
7. آیا داده پرت یا توزیع بسیار نامتقارن وجود دارد؟
8. حجم نمونه چقدر است؟

بنابراین، تصمیم‌گیری نباید صرفاً با مشاهده یک آزمون نرمال بودن انجام شود.

مهم‌ترین آزمون‌های ناپارامتریک در پژوهش

آزمون‌های ناپارامتریک متنوع هستند، اما چند آزمون کاربرد بسیار گسترده‌ای در پژوهش‌های دانشگاهی دارند.

آزمون Mann–Whitney U

آزمون Mann–Whitney U برای مقایسه دو گروه مستقل استفاده می‌شود و یکی از جایگزین‌های رایج آزمون t مستقل در شرایط مناسب است.

مثلاً:

آیا سطح رضایت شغلی در دو گروه کارکنان تفاوت دارد؟

اگر داده‌ها رتبه‌ای باشند یا شرایط لازم برای آزمون t مستقل برقرار نباشد، Mann–Whitney می‌تواند مورد بررسی قرار گیرد.

نکته مهم این است که تفسیر این آزمون صرفاً نباید به «مقایسه میانگین‌ها» محدود شود؛ زیرا ساختار آن بر رتبه‌های داده‌ها استوار است.

آزمون Wilcoxon

آزمون Wilcoxon Signed-Rank برای مقایسه دو اندازه‌گیری وابسته کاربرد دارد.

مثلاً:

آیا میزان اضطراب افراد قبل و بعد از یک برنامه آموزشی تغییر کرده است؟

چون هر فرد در دو زمان اندازه‌گیری شده است، داده‌ها مستقل نیستند.

Wilcoxon یکی از گزینه‌های ناپارامتریک برای چنین شرایطی است.

آزمون Kruskal–Wallis

آزمون Kruskal–Wallis برای مقایسه چند گروه مستقل استفاده می‌شود.

این آزمون را می‌توان در شرایط مناسب به‌عنوان جایگزینی ناپارامتریک برای ANOVA یک‌طرفه در نظر گرفت.

مثلاً:

آیا میزان رضایت مشتری در چهار شعبه تفاوت دارد؟

اگر نتیجه آزمون معنادار باشد، برای بررسی تفاوت‌های زوجی میان گروه‌ها ممکن است به تحلیل‌های پس‌آزمون مناسب نیاز باشد.

آزمون Friedman

آزمون Friedman برای مقایسه چند اندازه‌گیری وابسته یا چند وضعیت مرتبط کاربرد دارد.

برای مثال، اگر عملکرد یک گروه از افراد در سه شرایط مختلف اندازه‌گیری شده باشد، Friedman می‌تواند در شرایط مناسب مورد استفاده قرار گیرد.

این آزمون را می‌توان به‌صورت کلی جایگزینی ناپارامتریک برای برخی کاربردهای ANOVA با اندازه‌گیری‌های تکراری دانست.

ضریب همبستگی Spearman

Spearman’s Rank Correlation برای بررسی رابطه رتبه‌ای میان متغیرها کاربرد دارد.

این روش به‌ویژه زمانی مفید است که:

• داده‌ها رتبه‌ای باشند؛
• رابطه مورد نظر بر اساس رتبه‌ها بررسی شود؛
• یا شرایط استفاده از Pearson مناسب نباشد.

برای مثال:

آیا بین رتبه رضایت مشتری و رتبه وفاداری مشتری رابطه وجود دارد؟

جدول انتخاب آزمون ناپارامتریک

توجه: کای‌دو معمولاً در دسته آزمون‌های ناپارامتریک یا آزمون‌های توزیع‌آزاد طبقه‌بندی می‌شود، اما منطق آن با آزمون‌های رتبه‌ای مانند Mann–Whitney یا Wilcoxon متفاوت است.

آزمون ناپارامتریک برای دو گروه مستقل

اگر دو گروه مستقل داشته باشیم، ابتدا باید مشخص کنیم آیا استفاده از t مستقل مناسب است یا خیر.

اگر داده‌ها رتبه‌ای باشند یا شرایط موردنیاز روش پارامتریک برقرار نباشد، Mann–Whitney U یکی از گزینه‌های اصلی است.

مثال پژوهشی

فرض کنید پژوهشگری می‌خواهد رضایت شغلی دو گروه از کارکنان را مقایسه کند.

اگر داده‌های رضایت شغلی رتبه‌ای باشند، Mann–Whitney می‌تواند گزینه مناسبی باشد.

اما اگر داده کمی و شرایط استفاده از t مستقل برقرار باشد، استفاده از آزمون پارامتریک می‌تواند کارآمدتر باشد.

آزمون ناپارامتریک برای داده‌های وابسته

در پژوهش‌های قبل و بعد، یا مطالعاتی که یک فرد چند بار اندازه‌گیری می‌شود، مشاهدات مستقل نیستند.

دو اندازه‌گیری وابسته

در چنین شرایطی، Wilcoxon می‌تواند در صورت مناسب بودن شرایط، جایگزین ناپارامتریک t زوجی باشد.

سه اندازه‌گیری یا بیشتر

اگر یک گروه در سه یا چند وضعیت مرتبط اندازه‌گیری شود، Friedman یکی از گزینه‌های رایج است.

آزمون ناپارامتریک برای سه گروه یا بیشتر

وقتی چند گروه مستقل وجود دارد، در شرایط پارامتریک ممکن است ANOVA استفاده شود.

اگر شرایط استفاده از ANOVA مناسب نباشد، Kruskal–Wallis می‌تواند مورد توجه قرار گیرد.

برای مثال:

آیا رضایت مشتریان در پنج شعبه یک سازمان متفاوت است؟

ابتدا آزمون کلی انجام می‌شود. اگر نتیجه نشان‌دهنده تفاوت باشد، برای مشخص کردن محل تفاوت باید روش‌های مقایسه‌ای مناسب پس از آزمون در نظر گرفته شود.

آزمون ناپارامتریک برای بررسی رابطه بین متغیرها

اگر هدف بررسی رابطه باشد، Spearman یکی از مهم‌ترین روش‌های ناپارامتریک است.

Pearson یا Spearman؟

انتخاب میان این دو آزمون به ویژگی داده و سؤال پژوهش بستگی دارد.

Pearson برای سنجش رابطه خطی میان متغیرهای کمی در شرایط مناسب کاربرد دارد.

Spearman بر اساس رتبه‌ها عمل می‌کند و برای داده‌های رتبه‌ای یا شرایطی که استفاده از Pearson مناسب نیست، می‌تواند انتخاب مناسبی باشد.

البته صرف غیرنرمال بودن داده‌ها به‌تنهایی نباید باعث شود همیشه Spearman را جایگزین Pearson کنیم.

آیا داده غیرنرمال حتماً باید با آزمون ناپارامتریک تحلیل شود؟

خیر.

این یکی از رایج‌ترین برداشت‌های نادرست در پژوهش‌های دانشگاهی است.

غیرنرمال بودن داده‌ها به‌تنهایی برای انتخاب آزمون ناپارامتریک کافی نیست.

باید موارد زیر نیز بررسی شوند:

• حجم نمونه
• شدت انحراف از نرمال بودن
• وجود داده‌های پرت
• نوع متغیر
• هدف تحلیل
• استقلال مشاهدات
• شکل توزیع
• فرض‌های آزمون
• استحکام روش پارامتریک مورد نظر

برخی آزمون‌های پارامتریک نسبت به انحراف‌های محدود از نرمال بودن مقاوم هستند. بنابراین تصمیم‌گیری باید با دیدی جامع انجام شود.

مزایا و محدودیت‌های آزمون‌های ناپارامتریک

مزایای آزمون‌های ناپارامتریک

نیاز کمتر به برخی فرض‌های توزیعی

بسیاری از آزمون‌های ناپارامتریک به شکل توزیع خاصی مانند نرمال بودن وابستگی کمتری دارند.

مناسب برای داده‌های رتبه‌ای

داده‌های ترتیبی را نمی‌توان همیشه با روش‌های پارامتریک استاندارد تحلیل کرد.

مقاومت بیشتر در برابر برخی داده‌های پرت

روش‌های رتبه‌ای در برخی شرایط تأثیر مقادیر بسیار بزرگ یا کوچک را کاهش می‌دهند.

کاربرد در نمونه‌های کوچک

در برخی مطالعات با نمونه‌های محدود، روش ناپارامتریک می‌تواند گزینه مناسبی باشد؛ البته کوچک بودن نمونه به‌تنهایی تعیین‌کننده نیست.

محدودیت‌های آزمون‌های ناپارامتریک

ممکن است توان کمتری داشته باشند

اگر شرایط آزمون پارامتریک به‌خوبی برقرار باشد، استفاده از آزمون پارامتریک مناسب ممکن است اطلاعات بیشتری از داده‌ها استفاده کند و توان آماری بیشتری داشته باشد.

از دست رفتن بخشی از اطلاعات عددی

تبدیل مقادیر به رتبه ممکن است بخشی از اطلاعات موجود در فاصله بین مقادیر را کنار بگذارد.

نیازمند تفسیر دقیق

ناپارامتریک بودن به معنای «بدون پیش‌فرض» یا «همیشه بهتر» نیست.

چگونه آزمون ناپارامتریک مناسب را انتخاب کنیم؟

برای انتخاب آزمون می‌توان از یک مسیر ساده استفاده کرد.

گام اول: هدف تحلیل را مشخص کنید

آیا هدف:

• مقایسه دو گروه است؟
• مقایسه چند گروه است؟
• بررسی تغییرات قبل و بعد است؟
• بررسی رابطه میان متغیرهاست؟

گام دوم: استقلال داده‌ها را مشخص کنید

آیا گروه‌ها مستقل هستند یا افراد در چند مرحله اندازه‌گیری شده‌اند؟

گام سوم: مقیاس اندازه‌گیری را بررسی کنید

آیا داده‌ها اسمی، ترتیبی، فاصله‌ای یا نسبتی هستند؟

گام چهارم: فرض‌های روش پارامتریک را بررسی کنید

اگر روش پارامتریک مناسب باشد، الزاماً نیازی به جایگزین ناپارامتریک نیست.

گام پنجم: آزمون مناسب را انتخاب کنید

برای مثال:

• دو گروه مستقل → Mann–Whitney
• دو اندازه‌گیری وابسته → Wilcoxon
• چند گروه مستقل → Kruskal–Wallis
• چند اندازه‌گیری وابسته → Friedman
• رابطه رتبه‌ای → Spearman

آزمون‌های ناپارامتریک در SPSS

نرم‌افزار SPSS مجموعه‌ای از آزمون‌های ناپارامتریک را در اختیار پژوهشگر قرار می‌دهد.

از جمله آزمون‌های پرکاربرد می‌توان به موارد زیر اشاره کرد:

• Mann–Whitney U
• Wilcoxon Signed-Rank
• Kruskal–Wallis
• Friedman
• Spearman
• Chi-square

اما نکته مهم این است که SPSS صرفاً ابزار اجرای آزمون است.

پژوهشگر باید قبل از ورود به نرم‌افزار مشخص کند چه آزمونی با سؤال پژوهش و ساختار داده سازگار است.

انتخاب آزمون نباید صرفاً بر اساس گزینه‌های موجود در منوی نرم‌افزار انجام شود.

چگونه نتیجه آزمون ناپارامتریک را تفسیر کنیم؟

تفسیر آزمون به نوع آن بستگی دارد، اما معمولاً P-Value یکی از شاخص‌های مهم تصمیم‌گیری است.

فرض کنید در آزمون Mann–Whitney:

P = 0.023

و سطح معنی‌داری:

α = 0.05

باشد.

چون P کمتر از α است، در چارچوب آزمون انتخاب‌شده، شواهد کافی برای رد فرض صفر وجود دارد.

اما گزارش علمی نباید فقط به عبارت «نتیجه معنادار شد» محدود شود. بهتر است آماره آزمون، P-Value و در صورت امکان اندازه اثر و فاصله اطمینان نیز گزارش شوند.

آیا آزمون ناپارامتریک همان آزمون بدون پیش‌فرض است؟

خیر.

تمام آزمون‌های آماری دارای فرض‌ها و شرایط کاربرد هستند.

برای مثال، در آزمون‌های ناپارامتریک نیز موضوعاتی مانند:

• استقلال مشاهدات
• شکل داده‌ها
• ساختار نمونه
• مقیاس اندازه‌گیری
• نوع مقایسه

اهمیت دارند.

بنابراین عبارت «آزمون ناپارامتریک هیچ پیش‌فرضی ندارد» یک برداشت نادرست است.

اشتباهات رایج در استفاده از آزمون‌های ناپارامتریک

انتخاب آزمون فقط به دلیل غیرنرمال بودن داده

این تصمیم بیش از حد ساده‌انگارانه است.

استفاده از Mann–Whitney برای گروه‌های وابسته

اگر دو گروه به یکدیگر وابسته باشند، باید روش مناسب برای داده‌های وابسته مانند Wilcoxon بررسی شود.

استفاده از Kruskal–Wallis برای داده‌های وابسته

Kruskal–Wallis برای گروه‌های مستقل است؛ در داده‌های وابسته چندگانه، Friedman گزینه متفاوتی است.

تفسیر ناپارامتریک به‌عنوان مقایسه ساده میانگین‌ها

بسیاری از آزمون‌های ناپارامتریک بر رتبه‌ها استوار هستند و تفسیر آن‌ها باید متناسب با ساختار آزمون باشد.

گزارش فقط P-Value

برای گزارش علمی بهتر است علاوه بر معناداری، اندازه اثر و سایر شاخص‌های مرتبط نیز ارائه شوند.

تصور اینکه ناپارامتریک همیشه بهتر است

هیچ آزمونی ذاتاً برای تمام داده‌ها بهتر نیست. انتخاب باید با سؤال و داده سازگار باشد.

سوالات متداول درباره آزمون ناپارامتریک

آزمون ناپارامتریک چیست؟

آزمون ناپارامتریک به روش‌هایی از تحلیل آماری گفته می‌شود که معمولاً به فرض‌های توزیعی محدودکننده کمتری نسبت به بسیاری از آزمون‌های پارامتریک وابسته‌اند و برخی از آن‌ها برای داده‌های رتبه‌ای کاربرد دارند.

مهم‌ترین آزمون‌های ناپارامتریک کدام‌اند؟

Mann–Whitney U، Wilcoxon، Kruskal–Wallis، Friedman و Spearman از مهم‌ترین آزمون‌های ناپارامتریک مورد استفاده در پژوهش هستند.

برای دو گروه مستقل چه آزمون ناپارامتریکی استفاده می‌شود؟

در شرایط مناسب، آزمون Mann–Whitney U یکی از گزینه‌های اصلی برای مقایسه دو گروه مستقل است.

برای مقایسه قبل و بعد چه آزمون ناپارامتریکی مناسب است؟

اگر دو اندازه‌گیری وابسته باشند، آزمون Wilcoxon Signed-Rank یکی از گزینه‌های رایج است.

برای سه گروه مستقل یا بیشتر چه آزمونی مناسب است؟

آزمون Kruskal–Wallis برای مقایسه چند گروه مستقل در شرایط مناسب استفاده می‌شود.

برای سه اندازه‌گیری وابسته یا بیشتر چه آزمونی مناسب است؟

آزمون Friedman یکی از روش‌های رایج برای مقایسه چند اندازه‌گیری وابسته است.

برای بررسی رابطه دو متغیر رتبه‌ای چه آزمونی مناسب است؟

ضریب همبستگی Spearman یکی از روش‌های رایج برای بررسی رابطه رتبه‌ای میان دو متغیر است.

آیا هر داده غیرنرمالی باید با آزمون ناپارامتریک تحلیل شود؟

خیر. غیرنرمال بودن یکی از عوامل تصمیم‌گیری است و باید همراه با حجم نمونه، نوع داده، هدف پژوهش، وجود داده پرت و سایر فرض‌های آزمون بررسی شود.

جمع‌بندی

آزمون‌های ناپارامتریک ابزارهای مهمی برای تحلیل داده‌هایی هستند که شرایط استفاده از برخی روش‌های پارامتریک را ندارند یا ماهیت رتبه‌ای دارند. این آزمون‌ها می‌توانند در بسیاری از پژوهش‌های دانشگاهی برای مقایسه گروه‌ها، بررسی تغییرات وابسته و تحلیل روابط میان متغیرها مورد استفاده قرار گیرند.

به‌طور خلاصه:

• Mann–Whitney U → دو گروه مستقل
• Wilcoxon → دو اندازه‌گیری وابسته
• Kruskal–Wallis → چند گروه مستقل
• Friedman → چند اندازه‌گیری وابسته
• Spearman → بررسی رابطه رتبه‌ای

بااین‌حال، انتخاب آزمون ناپارامتریک نباید صرفاً به دلیل غیرنرمال بودن داده‌ها انجام شود. پژوهشگر باید ابتدا سؤال پژوهش، نوع متغیر، مقیاس اندازه‌گیری، تعداد گروه‌ها، وابستگی مشاهدات و فرض‌های آماری را بررسی کند.

در یک پژوهش علمی، هدف انتخاب «ناپارامتریک‌ترین» آزمون نیست؛ بلکه هدف انتخاب مناسب‌ترین روش آماری برای پاسخ معتبر به سؤال پژوهش است.