非参数

非参数 (Nonparametric)

非参数，英文为 Nonparametric，是统计学和计量经济学中一类统计方法的统称。与参数统计（Parametric Statistics）不同，非参数方法不要求数据服从特定的概率分布（如正态分布），也不依赖于有限个分布参数（如均值 $\mu$、方差 $\sigma^2$）来刻画总体特征。正因如此，非参数方法也被称为无分布方法（Distribution-Free Methods）。非参数方法并非完全不使用参数，而是指其推断过程不依赖于对总体分布形式的强假设。

当数据严重偏离正态性、样本量较小，或者变量为定序变量（Ordinal Variable）时，非参数方法展现出显著的优势。它在社会科学、生物医学、经济学和市场调研等领域有着广泛且不可替代的应用。

非参数方法与参数方法的对比

理解非参数方法的最佳途径是将其与参数方法进行对照。以经典的t检验为例，其有效性建立在以下假设之上：数据来自正态分布的总体，各组具有相同的方差（方差齐性），且观测值之间相互独立。当这些假设被严重违反时，参数检验的第一类错误率和第二类错误率将偏离名义水平，导致推断失效。

非参数方法拒绝了对分布形式的刚性预设，转而使用基于秩（Rank）、符号（Sign）或排列（Permutation）的统计量。其主要特征对比如下：

• 分布假设：非参数方法无特定分布要求，参数方法通常假设正态性。
• 数据类型：非参数方法适用于定类、定序、数值数据，参数方法通常要求连续数值。
• 样本量要求：非参数方法小样本也可使用，参数方法依赖大样本近似。
• 统计量基础：非参数方法基于秩、符号、中位数，参数方法基于均值、方差。
• 稳健性：非参数方法对异常值稳健，参数方法对异常值敏感。
• 统计功效：假设满足时非参数方法略低，参数方法在假设满足时最优。

常用非参数检验方法

两组比较

Wilcoxon 秩和检验（Wilcoxon Rank-Sum Test），也称 Mann-Whitney U 检验，是独立双样本 t 检验的非参数替代。它检验两组样本是否来自同一个总体，具体做法是将所有观测值混合排序后比较两组的秩和。当数据明显非正态或存在极端值时，该检验的效力往往超过 t 检验。

Wilcoxon 符号秩检验（Wilcoxon Signed-Rank Test）则用于配对样本场景，是配对 t 检验的非参数替代。它同时利用差异的方向（符号）和大小（秩），比仅考虑方向的符号检验（Sign Test）具有更高的统计功效。

多组比较

当需要同时比较三组或更多组时，Kruskal-Wallis 检验是单因素方差分析（ANOVA）的非参数替代。它将所有数据混合排序，然后比较各组平均秩的差异。若结果显著，通常需要进一步进行Dunn 事后检验（Dunn's Post Hoc Test）来确定具体哪些组之间存在差异。对于随机化区组设计，Friedman 检验是重复测量 ANOVA 的非参数版本，广泛应用于心理学实验和农业田间试验中。

相关性度量

Spearman 等级相关系数（Spearman's Rank Correlation Coefficient, $\rho$ 或 $r_s$）衡量两个变量之间单调关系的强度，是皮尔逊相关系数的非参数替代。它先将每个变量的取值转换为秩，再计算两组秩的皮尔逊相关。与只能捕捉线性关系的皮尔逊相关不同，Spearman 相关可以检测任何单调递增或递减的趋势。

另一个常用指标是 Kendall $\tau$ 相关系数，它基于和谐对与不和谐对的数量计算关联度，在小样本下比 Spearman 更为可靠，且在存在删失数据时仍可使用。

分布比较

Kolmogorov-Smirnov 检验（K-S 检验）比较样本的经验分布函数与参考分布（单样本情形）或两个样本的经验分布函数（双样本情形）之间的最大距离。它不仅能检测位置差异，还能探测形状、尺度等多方面的分布差异，是一个通用的拟合优度检验工具。

趋势检验

Jonckheere-Terpstra 检验和Cochran-Armitage 趋势检验专门用于检测有序分组中是否存在单调趋势。例如，在剂量-反应研究中，研究者预期随着药物剂量的增加，治疗反应率呈现上升趋势，此时趋势检验远比一般的多组检验更为精确和高效。

非参数方法的优势与局限

优势

1. 假设宽松：不要求正态性和方差齐性，适用范围远广于参数方法。当数据来自未知分布或明显偏离经典假设时，非参数方法是唯一可靠的选择。
2. 对异常值稳健：基于秩的统计量天然不受极端值影响。一个观测值无论偏离多远，其秩最多也只是 $1$ 或 $n$，不会被极端数值所放大。
3. 适用于定序数据：许多社会科学变量（如 Likert 量表评分、满意度等级、排名）本质上是定序而非定距的。对定序数据使用均值和参数检验在理论上是站不住脚的，而非参数方法则天然适配。
4. 小样本有效：参数检验依赖大样本下的中心极限定理来逼近分布，当 $n < 30$ 时正态近似往往不可靠。非参数检验的精确分布可以通过排列检验（Permutation Test）直接计算，在小样本下依然有效。

局限

1. 信息损失：将实际数值转化为秩时，丢失了数值之间差异大小的信息。例如，两个观测值 $100$ 和 $101$ 与 $100$ 和 $200$ 在秩视角下是完全等价的，但实际差异显然不同。
2. 统计功效较低：当正态性和其他参数假设确实满足时，非参数检验的统计功效略低于对应的参数检验。这种功率损失通常不大（约 $5\%$），在大样本下几乎可以忽略。
3. 置信区间不易构建：参数方法可以自然产出效应量的置信区间（如均值差的置信区间），而非参数方法主要关注假设检验的显著性，估计效应大小和构建置信区间需要额外的方法（如 Hodges-Lehmann 估计量）。
4. 多变量扩展复杂：将非参数思想推广到多变量情形和复杂回归模型并非坦途。虽有一些进展（如核回归、分位数回归），但其普及度和软件支持远不及参数方法。

现代计量经济学中的非参数与半参数方法

在当代经济学研究中，非参数方法已远远超出经典的秩检验范畴，形成了多个活跃的前沿领域。

核密度估计（Kernel Density Estimation, KDE）是一种非参数密度估计方法。它不预设分布形式，而是让数据"自己说话"，通过对每个数据点放置一个光滑的核函数来重建总体密度。KDE 在收入分布分析、金融风险建模中应用极广。

分位数回归（Quantile Regression）由 Koenker 和 Bassett（1978）提出，可视为一种半参数方法。与仅建模条件均值的普通最小二乘法（OLS）不同，分位数回归可以刻画解释变量对响应变量整个条件分布各分位点的影响，从而揭示异质效应。例如，教育回报率可能在收入分布的低分位和高分位存在显著差异，而这种差异在 OLS 中完全不可见。

倾向得分匹配（Propensity Score Matching, PSM）广泛用于因果推断中的观测研究。其匹配过程本身是非参数的——不依赖线性和正态假设，而是通过非参数的距离度量（如最近邻匹配、核匹配）将处理组和控制组进行配对，从而估计处理效应。

非参数回归（Nonparametric Regression），包括局部多项式回归（Local Polynomial Regression）、样条回归（Spline Regression）和基于树的集成方法（如随机森林、梯度提升），放松了传统回归对函数形式（线性、二次等）的刚性假设，允许数据决定 $Y$ 和 $X$ 之间的函数关系形态。

结语

非参数方法是现代统计学工具箱中不可或缺的组成部分。它们以牺牲少量统计功效为代价，换取了广泛的适用性和对假设偏离的鲁棒性。在计量经济学的应用研究中，最佳实践往往是在参数分析和非参数分析之间进行三角验证：用非参数方法验证参数结果的稳健性，或者当数据特征明确违反参数假设时，果断切换到非参数框架。理解非参数方法的逻辑、适用边界和局限，是每一位严肃的数据分析者必备的素养。