在统计学中有几个不同的主题。一个迅速浮现在脑海中的划分是描述性统计和推断统计之间的区别。我们还可以用其他方法来区分统计学科。其中一种方法是将统计方法分为参数方法和非参数方法。

我们将找出参数方法和非参数方法之间的区别。我们要做的是比较这些类型方法的不同实例。

参数化方法

方法根据我们对所研究人群的了解进行分类。参数化方法通常是统计学入门课程中首先学习的方法。其基本思想是，有一组固定的参数确定概率模型。

参数方法通常是那些我们知道总体近似正态的方法，或者我们可以在调用中心极限定理后使用正态分布进行近似。正态分布有两个参数：均值和标准差。

最终，方法的参数分类取决于对总体的假设。一些参数化方法包括：

• 具有已知标准偏差的总体平均值的置信区间。
• 总体平均值的置信区间，标准偏差未知。
• 总体方差的置信区间。
• 两个均值之差的置信区间，标准偏差未知。

非参数方法

与参数方法相比，我们将定义非参数方法。这些是统计技术，我们不必对我们正在研究的人口的参数作任何假设。事实上，这些方法并不依赖于感兴趣的人群。参数集不再是固定的，我们使用的分布也不再是固定的。正是由于这个原因，非参数方法也被称为无分布方法。

由于许多原因，非参数方法越来越受欢迎和影响。主要原因是我们没有像使用参数化方法那样受到约束。我们不需要像使用参数化方法那样，对我们正在使用的总体进行大量假设。许多非参数方法易于应用和理解。

一些非参数方法包括：

• 总体均值的符号检验
• 自举技术
• 两个独立均值的U检验
• 斯皮尔曼相关检验

比较

有多种方法可以使用统计学来找到关于平均值的置信区间。参数化方法包括使用公式计算误差幅度，以及使用样本平均值估计总体平均值。计算置信均值的非参数方法将使用自举法。

为什么我们需要参数和非参数方法来解决这类问题？很多时候，参数方法比相应的非参数方法更有效。虽然效率的这种差异通常不是一个很大的问题，但我们确实需要考虑哪种方法更有效。