t検定や分散分析を使いたいものの、データが大きく歪んでいる。サンプル数が少なく、正規分布を仮定してよいか判断しにくい。あるいは、5段階評価や順位データを比較したい。このような場面で候補になるのが、ノンパラメトリック検定です。
ただし、「正規性検定で有意になったらノンパラメトリック検定へ切り替える」という単純なものではありません。本記事では、パラメトリック検定との違い、代表的な種類、対応の有無や群数に応じた選び方を、製造業の例も交えながら整理します。
・ノンパラメトリック検定は、正規分布など特定の分布形を強く仮定せずに行う検定です。
・大きく歪んだデータや順位・順序尺度のデータなどで有力な選択肢になります。
・比較する群数と、データに対応があるかどうかによって使用する検定が異なります。
・独立した2群ではMann–Whitney U検定、対応のある2群ではWilcoxon符号付順位検定が代表的です。
・正規性検定の結果だけで、検定方法を機械的に切り替えないことが重要です。
ノンパラメトリック検定とは？
ノンパラメトリック検定とは、正規分布など特定の母集団分布を強く仮定せずに行う統計的仮説検定です。実測値そのものではなく、値の順位や差の符号などを利用して比較する方法が多くあります。
「ノンパラメトリック」という名称から、パラメータを一切使わない検定、あるいは何の前提条件もない検定と思われることがあります。しかし、実際には観測値の独立性、データの対応関係、分布形状など、検定ごとに確認すべき条件があります。
「分布を仮定しない」とはどういう意味？
ノンパラメトリック検定は、母集団が正規分布に従うといった特定の分布モデルに対する仮定が比較的少ない手法です。そのため、「分布をまったく仮定しない」というより、「正規分布など特定の分布形を強く仮定しない」と理解する方が正確です。
例えばMann–Whitney U検定では、2群の観測値が互いに独立していることが重要です。Wilcoxon符号付順位検定では、同じ対象の前後測定など、対応関係が正しく定義されている必要があります。つまり、分布の仮定が少なくても、データの取り方や検定固有の前提条件まで不要になるわけではありません。
パラメトリック検定との違い
パラメトリック検定は、実測値と平均値・分散などの情報を使い、正規分布などの分布仮定を置くことが多い手法です。一方、ノンパラメトリック検定では、順位や符号へ置き換えて比較する方法が多く、特定の分布形を仮定しにくいデータにも適用しやすい特徴があります。
| 観点 | パラメトリック検定 | ノンパラメトリック検定 |
|---|---|---|
| 分布の仮定 | 正規分布などを仮定する場合が多い | 特定の分布形を強く仮定しない |
| 主に使う情報 | 実測値、平均値、分散など | 順位、符号など |
| 代表的な手法 | t検定、分散分析 | Mann–Whitney、Wilcoxonなど |
| 順位データ | 基本的には適用しにくい | 適用しやすい |
| 外れ値の影響 | 影響を受けやすい場合がある | 順位化によって影響が小さくなる場合がある |
どちらが常に優れているという関係ではありません。パラメトリック検定の仮定が妥当であれば、実測値が持つ情報をそのまま利用できるため、t検定などの方が高い検出力を持つ場合があります。
ノンパラメトリック検定はどんなときに使う？
正規分布を仮定しにくいデータ
測定値が大きく右に歪んでいる、裾が長い、床効果・天井効果があるなど、正規分布を仮定しにくい場合にノンパラメトリック検定が候補になります。ただし、分析すべき対象は生データの分布とは限らず、使用する検定やモデルによって確認する仮定が異なります。
順位・順序尺度のデータ
順位評価、官能評価、5段階評価などは、数値の大小関係には意味があっても、隣り合う値の間隔が等しいとは限りません。このような順序尺度のデータでは、順位情報を利用するノンパラメトリック手法が適用しやすい場合があります。
外れ値の影響が大きいデータ
順位ベースの検定では、極端に大きい値を、その大きさのまま計算へ入れるのではなく「最も大きい順位」として扱います。そのため、実測値を直接使う方法と比べ、外れ値の影響を抑えられる場合があります。
ただし、外れ値を確認せずにノンパラメトリック検定を選べばよいわけではありません。入力ミス、測定異常、異なる母集団の混在などが疑われる場合は、原因を確認する必要があります。
サンプル数が少ない場合
小標本では分布仮定を置きにくいため、ノンパラメトリック検定が候補になることがあります。一方で、サンプル数が少ないほど分布形状や外れ値の判断自体が難しく、検定の検出力も限られます。したがって、「サンプル数が少ない＝必ずノンパラメトリック検定」ではありません。
正規性検定だけで機械的に選ばない
正規性検定のp値だけで、パラメトリック検定とノンパラメトリック検定を機械的に切り替えるべきではありません。サンプル数、ヒストグラム、Q-Qプロット、外れ値、測定尺度、解析目的、各検定の前提条件を合わせて確認します。正規性の確認方法は、正規性検定の記事も参考にしてください。
ノンパラメトリック検定ではなぜ順位を使う？
例えば、実測値が10、13、20、50であれば、小さい順に順位1、2、3、4を付けます。実測値を使う計算では、50は20の2.5倍という差の大きさが結果に影響します。一方、順位へ変換すると、50は「4つの中で最も大きい値」という情報として扱われます。
この順位化によって、値の大小関係を残しながら、極端な実測値の影響を小さくできる場合があります。ただし、実測値が持っていた差の大きさに関する情報の一部は失われます。これが、頑健に扱いやすい一方、条件によっては検出力が低くなる理由の一つです。
代表的なノンパラメトリック検定
検定を選ぶときは、比較する群数だけでなく、データに対応があるかを確認します。対応のあるデータとは、同じ製品・設備・対象を繰り返し測定したデータなど、観測値同士に組み合わせがあるデータです。詳しくは対応あり・対応なしデータの解説をご覧ください。
| 比較・解析内容 | パラメトリック手法 | ノンパラメトリック手法 |
|---|---|---|
| 独立した2群 | 対応なしt検定 | Mann–Whitney U検定 |
| 対応のある2群 | 対応ありt検定 | Wilcoxon符号付順位検定 |
| 独立した3群以上 | 一元配置分散分析 | Kruskal–Wallis検定 |
| 対応のある3条件以上 | 反復測定分散分析 | Friedman検定 |
| 相関 | Pearson相関 | Spearman順位相関 |
Mann–Whitney U検定
Mann–Whitney U検定は、独立した2群を比較するときに使う代表的なノンパラメトリック検定です。例えば、材料Aと材料Bから別々に抜き取った強度データや、設備Aと設備Bの処理時間を比較する場面が該当します。
2群をまとめて順位を付け、その順位が一方の群へ偏っているかを評価します。同じ対象を前後で測定したデータには使用せず、その場合はWilcoxon符号付順位検定を検討します。
Wilcoxon符号付順位検定
Wilcoxon符号付順位検定は、同じ対象を2回測定するなど、対応のある2群を比較するときに使う代表的なノンパラメトリック検定です。例えば、同じ設備の改善前後、同じ製品に対する変更前後の測定値などに利用します。
各ペアの差について、符号と絶対値の順位を利用します。単純に2群の中央値だけを比較する検定ではなく、対応差の分布など検定固有の前提を確認して解釈する必要があります。
Kruskal–Wallis検定
Kruskal–Wallis検定は、独立した3群以上を比較するときに使う代表的なノンパラメトリック検定です。パラメトリック手法における一元配置分散分析に対応する候補で、例えば独立した3設備の処理時間を比較する場面で利用します。
Friedman検定
Friedman検定は、同じ対象について3条件以上を比較する場合などに利用するノンパラメトリック検定です。同一製品を3種類の条件で評価するなど、観測値間に対応があることが前提になります。
Spearmanの順位相関
Spearmanの順位相関は、2つの変数を順位へ変換し、その単調な関係の強さと向きを評価する手法です。外れ値の影響が懸念される場合や、順位データ同士の関係を確認したい場合などに利用されます。
どの検定を選べばよい？
2群を比較する場合、同じ対象の前後比較など対応があればWilcoxon符号付順位検定、異なる対象からなる独立2群であればMann–Whitney U検定が代表的な候補です。
3群以上では、対応のある反復測定ならFriedman検定、独立した群ならKruskal–Wallis検定が候補になります。ただし、このフローだけで確定するのではなく、測定尺度、解析目的、データの取り方、分布形状、検定固有の前提条件も確認してください。
ノンパラメトリック検定のメリットと注意点
| メリット | 注意点 |
|---|---|
| 特定の分布形を強く仮定しない | 何も仮定しないわけではない |
| 順位・順序尺度のデータを扱いやすい | 検定ごとに独立性や対応関係などの前提がある |
| 外れ値の影響を抑えられる場合がある | 実測値の差の大きさに関する情報の一部を失う |
| 非正規データで有力な選択肢になる | パラメトリック検定より検出力が低い場合がある |
ノンパラメトリック検定は、仮定が少ないから常に安全で優秀というわけではありません。パラメトリック検定の仮定が妥当な場合、実測値の情報をそのまま利用するt検定や分散分析の方が、実際の差を検出しやすいことがあります。
また、p値が小さいかどうかだけでなく、各群の代表値、分布、効果の大きさ、実務的に意味のある差かどうかも合わせて確認することが重要です。
製造業ではどんな場面で使う？
✅材料Aと材料Bの強度を比較する
材料ごとに異なる試験片を測定した独立2群で、データが大きく歪んでいる場合はMann–Whitney U検定を検討できます。
✅改善前後の測定値を比較する
同じ設備や製品を改善前後で測定し、観測値に対応がある場合はWilcoxon符号付順位検定が候補になります。
✅3種類の設備を比較する
互いに独立した3設備の処理時間を比較し、分布仮定を置きにくい場合はKruskal–Wallis検定を検討できます。
官能評価や順位評価を解析する
外観、使いやすさ、触感などを順位や5段階で評価したデータでは、測定尺度とデータ構造に応じてノンパラメトリック手法が候補になります。
まとめ
ノンパラメトリック検定は、正規分布など特定の分布形を強く仮定せず、順位や符号などを利用して比較する統計手法です。大きく歪んだデータ、順位・順序尺度のデータ、外れ値の影響が懸念されるデータなどで有力な選択肢になります。
一方で、ノンパラメトリック検定は「正規性検定で有意だったら自動的に使う検定」ではありません。データの種類、群数、対応の有無、分布形状、解析目的、各検定の前提条件を踏まえて選択する必要があります。サンプル数が少ないという理由だけで機械的に選ぶことも避けましょう。
独立した2群を比較したい場合はMann–Whitney U検定、同じ対象の前後比較など対応のある2群を比較したい場合はWilcoxon符号付順位検定が、次に確認する代表的な手法です。3群以上であれば、独立群にはKruskal–Wallis検定、対応のある条件にはFriedman検定を検討します。
次に学ぶ検定
独立した2群を比較する場合：Mann–Whitney U検定
対応のある2群を比較する場合：Wilcoxon符号付順位検定
統計手法の選択や解析結果の解釈についてご相談をご希望の方は、記事サイドバーの「統計解析のご相談受付中」よりお問い合わせください。