Jedna forma závěru je založena na náhodném přiřazení experimentálních ošetření, & nikoli na náhodném výběru z populace (i hypoteticky). Oscar Kempthorne byl zastáncem.
První příklad v Edgingtonu (1995), Randomizační testy , tento přístup dobře ilustruje. Výzkumník získá deset subjektů, náhodně je rozdělí do dvou skupin, přidělí léčbu $ A $ jedné skupině & $ B $ a změří jejich odpovědi & vypočítá Studentovu t-statistiku rozdílu ve skupinových prostředcích. Spíše než použít normální teorii vzorkování k posouzení významnosti vypočítá $ t $ pro každý možný způsob, jakým by mohla být přiřazena léčba (je jich 252); poté, když bere na vědomí, že každá permutace je stejně pravděpodobná při nulové hypotéze bez efektu léčby, vidí, že devět dává vyšší hodnotu $ t $ než ta, kterou pozoroval & vypočítá p-hodnotu $ 10/252 = 0,04 $. „Získává“ zde, jak velmi často, může znamenat vůbec cokoli - možná bylo vybráno prvních deset vysokoškoláků na jeho přednášce, aby zvedli ruce - ale s touto analýzou není třeba udržovat předstírání, že z subjektů byly náhodně odebrány vzorky populace zájmu (nevýhodou je, že jakékoli zobecnění nad rámec těchto deseti je extra-statistické).
Predikce je další oblastí, kde nemusíte nutně formulovat tvrzení o populacích. (Nevím, že by každý chtěl volat predikci „inference“, ale existuje Geisser (1993), Predictive Inference: An Introduction ). Predikce často vyplývá z přizpůsobeného populačního modelu, ale ne vždy; např. @ Mattův příklad klasifikace, průměrování modelu (Bayesian nebo na základě váh Akaike) nebo prognostické algoritmy, jako je exponenciální vyhlazování.
NB Myslím, že „inferenční vs. popisná statistika“ se častěji vztahuje na disciplínu Statistika, spíše než na množství vypočítaná ze vzorků. Mezi inferenčním & a popisnou statistikou není podstatný rozdíl; jak zdůraznil @Jeremy, jde o to, k čemu to využijete.