Permutatsioonitest on meetod, millega saab hinnata, kui ebatavaline on andmetes täheldatud erinevus juhusliku varieeruvuse seisukohalt. Kui casino https://roobet.ee/ võrdleb erinevaid andmekogumeid, võib game näidata ühes rühmas näiliselt teistsugust tulemust kui teises, kuigi tegelik süsteemne erinevus puudub. Permutatsioonitestis paigutatakse olemasolevad vaatlused korduvalt ümber ning saadud tulemusi kasutatakse võrdlusjaotuse loomiseks. Kui tehakse näiteks 10 000 permutatsiooni, saab hinnata, kui sageli tekiks juhusliku ümberjaotamise korral sama suur või veel suurem erinevus.

Meetodi põhimõte on suhteliselt lihtne. Kui kaks rühma ei erine süstemaatiliselt, võib teatud tingimustel nende vaatluste kuuluvust rühmadesse juhuslikult muuta. Oletame, et mõlemas rühmas on 200 vaatlust ja nende keskmiste erinevus on 4,2 ühikut. Ainult selle numbri põhjal ei ole võimalik otsustada, kas tegemist on erakordse tulemusega. Kui andmed jaotatakse tuhandete kordade jooksul uuesti, tekib jaotus, millega algset erinevust võrrelda. Kui näiteks ainult 2 protsenti juhuslikest ümberpaigutustest annab sama suure või suurema erinevuse, muutub juhusliku selgituse võimalus vähem veenvaks.

Üks permutatsioonitestide tugevusi on paindlikkus. Neid saab kasutada olukordades, kus mõne klassikalise statistilise meetodi eeldusi on raske täita. Eksperdid peavad kasulikuks ka seda, et meetodi loogikat saab üsna lihtsalt selgitada: tegelikke andmeid võrreldakse paljude juhuslikult ümber korraldatud andmeversioonidega. Statistilise tarkvara kasutajate veebiaruteludes hinnatakse seda lähenemist sageli intuitiivsena, eriti siis, kui tulemusi tuleb selgitada inimestele, kellel puudub põhjalik matemaatiline ettevalmistus.

Samas ei muuda permutatsioonitest halva kvaliteediga andmeid automaatselt usaldusväärseks. Tulemuse kvaliteet sõltub endiselt sellest, kuidas vaatlused koguti, milline oli valim ja millisele küsimusele analüüs vastust otsib. Isegi 100 000 ümberpaigutamist ei kõrvalda algset valikuviga ega muuda kallutatud valimit esinduslikuks. Meetod on kõige kasulikum siis, kui eeldus vaatluste sobiva juhusliku ümberjaotamise kohta vastab tegelikule olukorrale. Õigesti rakendatuna annab see siiski väga selge viisi hinnata, kui ebatavaline on konkreetne erinevus võrreldes juhuslikult saadud tulemustega.