非参数统计推断

非参数统计推断 (Nonparametric Statistical Inference)

非参数统计推断（Nonparametric Statistical Inference）是统计推断的重要分支，与参数统计推断相对。其核心特征在于：不对数据生成过程的概率分布形式（如正态分布、泊松分布等）施加具体假设，而仅依赖相对宽松的条件（如连续性、对称性或独立性）。由于无需假定总体分布服从特定的参数族，非参数方法在数据分布未知、样本量较小或存在异常值时更具稳健性，因而在生物统计学、计量经济学、机器学习和社会科学中具有广泛应用。

基本思想与适用范围

参数方法假设数据来自某个已知形式的分布族，如 $N(\mu, \sigma^2)$，估计的目标是有限个参数（$\mu, \sigma^2$）。非参数方法则放弃这一假设，直接对分布本身或秩次（rank）进行分析。经典的非参数方法通常基于秩统计量（Rank Statistics）：将原始观测值按大小排序，用秩次代替原始数值进行分析。这种变换使得方法不受特定分布假设的约束，且对异常值不敏感。

非参数方法特别适用于以下场景：(1) 数据明显偏离正态分布或其他常见分布；(2) 测量尺度为有序分类变量（ordinal）而非连续变量；(3) 样本量不足以验证分布假设；(4) 存在明显的异常值或数据存在截断。在这些情形下，非参数方法的渐近相对效率（ARE）可能优于参数方法。

单样本推断

在单样本情形下，最常用的非参数方法是符号检验（Sign Test）和Wilcoxon符号秩检验（Wilcoxon Signed-Rank Test）。

符号检验是最简单的非参数方法。它仅利用观测值与假设中位数之间差异的符号（正或负），检验总体中位数是否等于某个特定值 $M_0$。在零假设 $H_0: \text{med} = M_0$ 下，正负号个数服从 $\text{Binomial}(n, 0.5)$，优点是几乎无假设，但功效较低。

Wilcoxon符号秩检验对符号检验进行了改进，不仅考虑符号的方向，还考虑差异的绝对大小在排序后的秩次。该方法假设差异分布是对称的，在此条件下比符号检验有更高的功效。相对于t检验，Wilcoxon检验的渐近相对效率约为 $3/\pi \approx 0.955$，在大样本下几乎不损失效率；对厚尾分布则效率更优。

两样本比较

对于两个独立样本的位置比较，最广为人知的是Mann-Whitney U检验（亦称Wilcoxon秩和检验）。该检验将两组样本合并排序后比较秩次之和，仅要求两组分布形状一致（允许位置偏移），对异常值具有天然稳健性。

对于配对样本，可使用配对Wilcoxon符号秩检验。多组独立样本则推广为Kruskal-Wallis H检验，是单因素方差分析的非参数替代。

尺度与非位置检验

除位置参数（均值或中位数）的比较外，非参数方法也广泛用于尺度参数（方差或离散程度）的检验。Ansari-Bradley检验和Siegel-Tukey检验是两个常用方法，它们基于秩次比较离散程度，不依赖正态性假设。

分布一致性检验（Goodness-of-Fit Test）也是非参数推断的重要领域。Kolmogorov-Smirnov检验（K-S检验）基于经验分布函数与理论分布函数的最大垂直距离，可检验单样本是否来自某特定分布，或两样本是否来自同一分布。Anderson-Darling检验则对分布尾部赋予更高权重，在检测尾部差异时更为敏感。

相关性度量

在度量两个变量之间的关联强度时，非参数方法提供了不依赖线性关系假设的工具。Spearman秩相关系数（$\rho$）将原始数据转换为秩次后计算Pearson相关系数，衡量的是单调关系（而非严格线性关系）的强度。Kendall秩相关系数（$\tau$）基于一致性对与不一致性对的比例，对异常值更为稳健，且在小样本下性质更优。这些方法在探索性数据分析（EDA）中不可或缺。

重抽样方法

20世纪后期，Bootstrap方法和Jackknife方法的发展极大地拓展了非参数推断的边界。Bootstrap通过对观测数据进行有放回重抽样，估计统计量的抽样分布，从而构造置信区间并进行假设检验，几乎不依赖任何分布假设。这类计算密集型方法的兴起，在相当程度上弥合了参数与非参数方法之间的应用鸿沟。

局限与注意事项

尽管非参数方法具有稳健性和广泛适用性，但其局限性也不容忽视。首先，当数据确实服从某一已知参数分布时，非参数方法的统计功效通常低于对应的最优参数方法——这是稳健性-效率权衡（Robustness-Efficiency Trade-off）的体现。其次，许多经典非参数方法仅适用于位置参数的检验，对于更复杂的模型（如多元回归、交互效应等），非参数方法的扩展存在一定困难。此外，非参数方法通常不提供效应量的直观估计（如均值差异的点估计），更多依赖于假设检验的结论。最后，随着高维数据的兴起，传统方法面临维数诅咒问题，推动了半参数方法和非参数回归的发展。