Tôi được hỏi liệu lỗi loại I trong thử nghiệm Shapiro-Wilk có ảnh hưởng đến phân tích chính hay không và liệu thử nghiệm sai có được sử dụng hay không nếu nó có phân phối bình thường ...
Câu trả lời:
Trong phân tích thống kê, nếu dữ liệu của bạn tuân theo phân phối tham số, bạn nên sử dụng lợi ích của việc biết phân phối và sử dụng các phương pháp thống kê dựa trên phân phối đó.
Nhưng đôi khi chúng ta không biết phân phối biến ngẫu nhiên, vì vậy các phương pháp thống kê phi tham số đã được phát triển để nắm lấy phạm vi rộng của các phân phối trong khi hy sinh một số hiệu quả.
Cho bạn biết phân phối biến ngẫu nhiên và sử dụng phương pháp thống kê không theo tỷ lệ, thay vì phương pháp thống kê tham số dựa trên việc biết phân phối, nó sẽ không hiệu quả, tức là sức mạnh của kiểm tra sẽ giảm, sai số chuẩn sẽ tăng và khoảng tin cậy sẽ tăng rộng hơn so với phương pháp tham số.
Nếu dữ liệu của bạn được rút ra từ một dân số bình thường (và các giả định thông thường khác cho một thử nghiệm t thông thường được áp dụng), thì thử nghiệm sẽ hoạt động như bình thường (nó không phải là tham số, nó được cho là hoạt động). Không có kịch tính về điểm số đó.
Nếu bạn biết đủ rằng bạn tự tin khi giả định tính bình thường, bạn có thể muốn tận dụng kiến thức đó, nhưng đối với nhiều bài kiểm tra, nó không giúp ích cho bạn nhiều.
Nếu bạn đang thực hiện một trong những bài kiểm tra vị trí phổ biến (bài kiểm tra xếp hạng có chữ ký của Wilcoxon, bài kiểm tra Wilcoxon-Mann-Whitney), bạn sẽ mất gần như không có gì (thông minh về sức mạnh) trong bài kiểm tra về sự thay đổi vị trí bằng cách bỏ qua tính quy tắc. [Bạn cần thêm một lần quan sát cho mỗi 21 lần quan sát để phù hợp với sức mạnh của bài kiểm tra mạnh nhất khi tất cả các giả định của nó được giữ.]
Nếu bạn đang đối phó với một số thử nghiệm khác có thể quan trọng hơn một chút (mặc dù một số có thể quan trọng thậm chí ít hơn). Một ví dụ trong đó nó tạo ra sự khác biệt lớn hơn một chút là sử dụng thử nghiệm Friedman so với thử nghiệm ANOVA tương ứng trong thiết kế khối ngẫu nhiên.