ノンパラメトリック検定とは？分布を仮定しない統計手法の体系と使い分けを解説
ノンパラメトリック検定は正規分布などの仮定を必要としない統計検定手法の総称です。代表的な検定手法の種類、パラメトリック検定との使い分け、ビジネスでの活用場面と注意点を解説します。
ノンパラメトリック検定とは
ノンパラメトリック検定（nonparametric test）とは、データが特定の確率分布（正規分布など）に従うことを仮定しない統計検定手法の総称です。「分布フリー検定」とも呼ばれます。
パラメトリック検定（t検定、ANOVAなど）は正規性や等分散性を前提とし、その前提のもとで高い検出力を発揮します。しかし、実務データでは正規分布を仮定しにくい場面が多くあります。順序尺度のアンケートデータ、外れ値の多い売上データ、小標本で正規性の検証が困難なデータなどです。
ノンパラメトリック検定はこうした場面で有効な代替手段です。データを順位に変換して分析するため、外れ値の影響を受けにくく、順序尺度のデータにも直接適用できます。
ノンパラメトリック検定の代表的な手法の多くは20世紀前半から中盤に開発されました。マン・ホイットニーU検定は1947年にヘンリー・マンとドナルド・ホイットニーが発表しました。ウィルコクソン符号順位検定は1945年にフランク・ウィルコクソンが提唱した手法です。クラスカル・ウォリス検定は1952年にウィリアム・クラスカルとW・アレン・ウォリスによって開発されました。スピアマンの順位相関係数は1904年にチャールズ・スピアマンが考案したもので、最も古い手法の一つです。
構成要素
パラメトリック検定との対応関係
ノンパラメトリック検定はパラメトリック検定の代替として位置づけられます。
| 分析目的 | パラメトリック検定 | ノンパラメトリック検定 |
|---|---|---|
| 独立2群の比較 | 対応なしt検定 | マン・ホイットニーU検定 |
| 対応2群の比較 | 対応ありt検定 | ウィルコクソン符号順位検定 |
| 独立3群以上の比較 | 一元配置ANOVA | クラスカル・ウォリス検定 |
| 対応3群以上の比較 | 反復測定ANOVA | フリードマン検定 |
| 2変数の相関 | ピアソンの相関係数 | スピアマンの順位相関係数 |
順位ベースの手法
多くのノンパラメトリック検定は、元のデータを順位に変換してから分析します。この変換により以下の利点が得られます。
- 外れ値の影響が緩和される（1位と2位の差は常に1）
- 順序尺度のデータにそのまま適用できる
- 正規分布の仮定が不要になる
符号ベースの手法
符号検定は、対になったデータの差が正か負かの方向のみを使って検定します。順位ベースの検定よりさらに仮定が弱く、差の大きさの情報を使わないため、極端に非対称な分布でも適用できます。
置換検定・ランダマイゼーション検定
データの割り当てを無作為に入れ替えて検定統計量の分布を生成する手法です。特定の確率分布を仮定せず、データそのものから検定分布を構築します。小標本で正確なp値が必要な場合に有用です。
実践的な使い方
ステップ1: パラメトリック検定が適用可能か判断する
まず正規性の確認を行います。シャピロ・ウィルク検定やQ-Qプロットでデータの正規性を評価します。正規性が確認できればパラメトリック検定の方が検出力が高いため、そちらを使います。
ステップ2: 分析目的に応じた検定を選ぶ
比較する群の数（2群か3群以上か）、データの対応関係（独立か対応ありか）、変数の種類（順序尺度か比率尺度か）に基づいて適切な検定を選びます。
ステップ3: 検定を実行する
PythonではSciPy（scipy.stats）に主要なノンパラメトリック検定が実装されています。Rでは基本パッケージにwilcox.test、kruskal.test、friedman.testなどが含まれます。
ステップ4: 効果量を算出する
p値だけでなく効果量を報告します。マン・ホイットニーU検定ではr = z/√N、クラスカル・ウォリス検定ではε²が使われます。
ステップ5: 結果をビジネス文脈で解釈する
「3つの顧客セグメント間で満足度分布に有意な差が認められた（H(2)=12.4, p=0.002, ε²=0.15）。事後検定の結果、セグメントAはセグメントCより有意に高い評価を示した」のように報告します。
活用場面
- アンケート分析: 5段階・7段階のリッカート尺度データの群間比較に適しています
- 小標本の分析: パイロット調査やニッチ市場のデータなど、サンプルが少なく正規性を仮定しにくい場面で使います
- 外れ値を含むデータ: 売上、取引額、滞在時間など、裾が長い分布のデータを安定的に分析できます
- ランキングデータ: 順位付けデータ（製品の選好順位、優先度ランキングなど）の分析に直接使えます
- 品質検査: 合否判定や等級判定のように、連続量ではないデータの群間比較に適しています
注意点
検出力はパラメトリック検定より低い
正規分布に従うデータに対してノンパラメトリック検定を使うと、パラメトリック検定に比べて検出力が低下します。一般にマン・ホイットニーU検定はt検定の約95%の検出力とされます。正規性が確認できるならパラメトリック検定を優先します。
順位変換で情報が失われる
データを順位に変換すると、元の値の差の大きさ情報が失われます。たとえば「1, 2, 100」と「1, 2, 3」は同じ順位（1, 2, 3）になります。差の大きさが重要な分析目的の場合は、この点を認識しておく必要があります。
「仮定が不要」は誤解
ノンパラメトリック検定にも前提条件があります。マン・ホイットニーU検定は「2群の分布形状が同じ」という仮定がある場合にのみ中央値の差の検定と解釈できます。独立性の仮定も引き続き必要です。
複雑なモデルへの拡張が限られる
交互作用の検定や共変量の統制など、パラメトリックモデルが得意とする複雑な分析はノンパラメトリック検定では対応が難しい場合があります。
「正規性が怪しいからノンパラメトリック検定を使う」という選択は必ずしも最善ではありません。サンプルサイズが十分に大きい場合（目安として30以上）、中心極限定理によりt検定やANOVAは正規性の仮定からの逸脱に頑健です。データの性質とサンプルサイズを総合的に評価した上で手法を選択してください。
まとめ
ノンパラメトリック検定は、正規分布の仮定が必要ない統計検定手法の体系です。パラメトリック検定との対応関係を理解し、データの性質に応じて適切な検定を選択することが重要です。順序尺度データ、外れ値を含むデータ、小標本データの分析で特に威力を発揮しますが、検出力とのトレードオフを認識した上で使うことが、信頼性の高い分析につながります。