非参数方法

非参数方法 (Nonparametric Methods)

非参数方法（Nonparametric Methods），又称无分布方法（Distribution-Free Methods），是统计学和计量经济学中不依赖总体分布具体函数形式的统计推断技术。与参数方法（如t检验、F检验）要求数据服从正态分布不同，非参数方法对分布假设极为宽松，在小样本、非正态或含异常值时尤为稳健。

核心思想与适用场景

参数方法假设总体分布由有限个参数完全刻画（如正态分布由 $\mu$ 和 $\sigma^2$ 确定）。当这些假设不成立时，参数推断的I型错误率和统计功效可能严重失真。非参数方法绕过对分布形式的直接建模，转而利用数据的秩（Rank）、符号（Sign）或次序统计量进行推断，核心优势在于稳健性（Robustness）。

典型适用场景包括：

1. 定序数据：满意度评分（1-5星）、教育等级等仅有排序意义。
2. 严重偏离正态：高度偏态、重尾或含极端异常值。
3. 样本量极小：中心极限定理无法提供正态近似。
4. 方差齐性不成立：各组方差差异显著。

常用非参数检验

两组比较

Wilcoxon秩和检验（Wilcoxon Rank-Sum Test），等价于Mann-Whitney U检验，是独立两样本t检验的非参数替代。它将所有观测值合并排序赋予秩次，比较两组秩和差异，检验两组是否来自相同中位数的总体。其零假设为两组分布相同，备择假设为分布存在随机优势（Stochastic Dominance）关系。

Wilcoxon符号秩检验（Wilcoxon Signed-Rank Test）用于配对样本，是配对t检验的非参数对应。它计算每对差值的绝对值的秩次并附以原符号，检验中位数是否为零。

符号检验（Sign Test）更为基础，仅关注差异的方向（正或负）而忽略大小，信息利用最少但对任何分布均有效。

多组比较与关联分析

Kruskal-Wallis检验是单因素方差分析（ANOVA）的非参数推广，用于比较三个或以上独立组的中位数差异。其检验统计量基于各组秩和的组间变异，在零假设下近似服从卡方分布。

Friedman检验用于随机区组设计下的重复测量或匹配数据，是双因素方差分析的非参数替代。

Kolmogorov-Smirnov检验（KS检验）比较样本的经验分布函数（ECDF）与理论分布或两个经验分布之间的最大垂直距离，检验分布整体是否相同，比单纯比较中位数或均值的检验更全面。

相关与回归

Spearman秩相关系数（Spearman's $\rho$）和Kendall $\tau$ 相关系数是Pearson相关系数的非参数替代，基于数据的秩而非原始值计算相关性，能捕捉单调关系而不仅限于线性关系，对异常值不敏感。

在回归分析中，分位数回归（Quantile Regression）和Theil-Sen估计等方法放宽了OLS对误差分布的假设，能够稳健地估计条件中位数或其他分位数，尤其适合重尾分布数据。

与参数方法的权衡

非参数方法并非万能，其局限性同样显著：

1. 功效损失：当数据满足正态性时，非参数检验的统计功效略低于参数检验。Wilcoxon秩和检验相对于t检验的渐近相对效率（ARE）约为 $3/\pi \approx 0.955$，同等条件下需多约 $5\%$ 样本量。
2. 信息利用不充分：基于秩的方法丢弃了原始数值的精确大小信息。
3. 零假设局限：许多非参数检验的零假设为"分布相同"而非仅"均值相等"，拒绝时难以精确定位差异来源。
4. 维度诅咒：在多元回归、面板数据等复杂设定下，非参数方法面临维度诅咒（Curse of Dimensionality），计算负担骤增。

计量经济学中的应用

在劳动经济学和健康经济学中，收入、医疗支出等变量高度右偏，非参数方法被广泛采用。政策评估中，倾向得分匹配后的推断常配合非参数检验规避分布假设。金融计量中，资产收益率的厚尾特性使基于秩的检验在事件研究和波动率分析中作用显著。现代机器学习的随机森林、K近邻等算法本质上亦属非参数方法——它们不预设参数结构，直接从数据中学习模式。