neparamètriniai metòdai, statistiniai metodai, netiesiogiai susieti su parametriniu modeliu. Dažnai neparametriniais nepagrįstai laikomi ir kokybinių požymių statistinės analizės metodai (Pearsono χ2 kriterijus, tikslusis Fisherio testas). Parametriniais metodais, palyginti su neparametriniais, gaunami tikslesni, todėl patikimesni ir turiningesni rezultatai, kai naudojamas parametrinis modelis atitinka stebimus duomenis, bet kai tas neatitikimas žymus, gaunamos neteisingos išvados. Neparametriniai metodai mažiau priklauso nuo stebinių skirstinio savybių (tai svarbiausias jų pranašumas) ir dažnai laikomi nuo skirstinio nepriklausančiais metodais, todėl kiekvienam svarbesniam parametriniam metodui sukuriamas jo neparametrinis analogas. Taigi didelė dalis neparametrinių metodų skirta parametrinių modelių adekvatumui tikrinti (suderinamumo kriterijai). Neparametriniai metodai susiję su statistinių išvadų robastiškumu, daugumos neparametrinių statistikų apskaičiavimas gana paprastas, dažnai pavyksta rasti tikslų jų skirstinį (pvz., tikslusis Fisherio testas); parametrinių statistikų skirstiniai dažniausiai nežinomi, jie aproksimuojami normaliuoju dėsniu. Klasikiniai neparametriniai metodai skirti nepriklausomų kartotinių stebinių imtims ir remiasi jų empirine pasiskirstymo funkcija arba rangais. Dauguma jų tinka tik vienmačiams stebiniams, tiesiogiai jų apibendrinti daugiamačiams nepavyksta. Gana išplėtoti neparametriniai metodai ir priklausomiems stebiniams, nusakomiems laiko eilučių modeliais. Išvengti neparametrinių metodų trūkumų išsaugant jų pranašumus padeda pusiau parametriniai (semiparametriniai) modeliai. Šiuo atveju stebinio skirstinio funkcinė priklausomybė nuo tyrėją dominančių baigtinio skaičiaus skaliarinių parametrų yra tiksliai nusakyta, bet tie parametrai skirstinio nenusako vienareikšmiškai. Plačiai taikomi pusiau parametriniai modeliai: Gausso ir Markovo, t. p. Coxo regresija, skirta cenzūruotiems trukmės duomenims. Neparametrinius metodus galima suskirstyti į kelias klases. Viena klasių – stebinio skirstinio skaitinių charakteristikų (vidurkio, dispersijos, medianos, kvantilių, įvairių koreliacijos koeficientų ir kita) vertinimas. Kitą klasę sudaro neparametriniai kriterijai, naudojami hipotezėms apie stebinio skirstinio priklausomybę tam tikrai skirstinių klasei tikrinti. Pagal suderinamumo kriterijus (Kolmogorovo, Cramerio, von Miseso, Andersono ir Darlingo, χ2 kriterijus) ta klasė sudaryta iš vieno skirstinio arba yra parametrinė (pvz., normaliųjų skirstinių šeima). Jei galioja simetriškumo hipotezė, tą klasę sudaro visi simetriški koordinačių pradžios (ar medianos) atžvilgiu skirstiniai. Taikant neparametrinius metodus labai svarbios stebimų dydžių nepriklausomumo (χ2 kriterijus, Spearmano ar Kendallio koreliacijos koeficientai) ir kelių imčių homogeniškumo (Kolmogorovo ir Smirnovo, Kruskalio ir Walliso kriterijai) hipotezės. Ranginiai kriterijai (Wilcoxono, Manno ir Whitney, Moodo) taikomi hipotezėms apie poslinkio (ar mastelio) parametrus tikrinti atitinkamuose pusiau parametriniuose modeliuose ir yra T‑testo (ar Fisherio testo) neparametriniai analogai. Prie trečios klasės priskiriama glodinimo ir reguliarizacijos metodai (filtrai; Robertas Hendersonas, 1916), glodinimas su branduoliu (Èlizbaras Nadaraya ir Geoffreyʼis Stuartas Watsonas, 1964) ar splainais (Grace Wahba ir Svante Woldas, 1975), ortogonaliųjų sekų metodai (Charlesas Stone’as, 1977). Jie taikomi tada, kai stebinių skirstinio galimų neparametrinių charakteristikų (dažniausiai tai regresijos ar koreliacijos funkcija, trendas, pasiskirstymo ar spektrinis tankis), kurias norima įvertinti, klasė yra per plati, kad būtų galima sukonstruoti jų pagrįstą įvertinį (nekorektiškasis uždavinys).
1209