Trong tình huống của bạn, kiểm tra t có thể sẽ mạnh mẽ về tỷ lệ lỗi Loại I, nhưng không phải là tỷ lệ lỗi Loại II. Bạn có thể sẽ đạt được nhiều sức mạnh hơn thông qua a) một bài kiểm tra Kruskal-Wallis hoặc b) một phép biến đổi chuẩn hóa trước khi kiểm tra t.
Tôi đang dựa trên kết luận này về hai nghiên cứu ở Monte Carlo. Trong lần đầu tiên ( Khan & Rayner, 2003 ), xiên và kurtosis được điều khiển gián tiếp thông qua các tham số của họ phân phối g-and-k, và sức mạnh kết quả đã được kiểm tra. Quan trọng hơn, sức mạnh của bài kiểm tra Kruskal- Wallis ít bị tổn hại bởi tính phi quy tắc, đặc biệt là với n> = 15.
Một vài lưu ý / trình độ về nghiên cứu này: Sức mạnh thường bị tổn thương do nhiễm trùng cao, nhưng nó ít bị ảnh hưởng bởi xiên. Thoạt nhìn, mô hình này có vẻ ít liên quan đến tình huống của bạn do bạn đã lưu ý một vấn đề với độ lệch, không phải là sự suy yếu. Tuy nhiên, tôi cá rằng kurtosis dư thừa cũng cực kỳ trong trường hợp của bạn. Hãy nhớ rằng mức độ tổn thương dư thừa ít nhất sẽ cao bằng độ lệch ^ 2 - 2. (Đặt mức độ tổn thương dư thừa bằng thời điểm chuẩn hóa thứ 4 trừ đi 3, sao cho mức độ tổn thương dư thừa = 0 cho phân phối bình thường.) Cũng lưu ý rằng Khan và Rayner ( 2003) đã kiểm tra ANOVAs với 3 nhóm, nhưng kết quả của họ có khả năng tổng quát thành thử nghiệm t hai mẫu.
Một nghiên cứu có liên quan thứ hai ( Beasley, Erikson, & Allison, 2009) đã kiểm tra cả lỗi Loại I và Loại II với các bản phân phối không bình thường khác nhau, chẳng hạn như Chi bình phương (1) và Weibull (1, .5). Đối với kích thước mẫu ít nhất là 25, thử nghiệm t kiểm soát đầy đủ tỷ lệ lỗi Loại I ở hoặc dưới mức alpha danh nghĩa. Tuy nhiên, sức mạnh là cao nhất với bài kiểm tra Kruskal-Wallis hoặc với phép biến đổi nghịch đảo dựa trên xếp hạng (điểm số Blom) được áp dụng trước bài kiểm tra t. Beasley và các đồng nghiệp thường lập luận chống lại phương pháp bình thường hóa, nhưng cần lưu ý rằng phương pháp bình thường hóa kiểm soát tỷ lệ lỗi Loại I cho n> = 25, và sức mạnh của nó đôi khi vượt quá một chút so với thử nghiệm Kruskal-Wallis. Đó là, phương pháp bình thường hóa có vẻ hứa hẹn cho tình huống của bạn. Xem bảng 1 và 4 trong bài viết của họ để biết chi tiết.
Tài liệu tham khảo:
Khan, A., & Rayner, GD (2003) . Tính mạnh mẽ đối với tính không quy tắc của các thử nghiệm phổ biến đối với bài toán vị trí nhiều mẫu. Tạp chí toán học ứng dụng và khoa học quyết định, 7 , 187-206.
Beasley, TM, Erickson, S., & Allison, DB (2009) . Biến đổi nghịch đảo bình thường dựa trên xếp hạng ngày càng được sử dụng, nhưng chúng có công không? Di truyền học hành vi, 39 , 580-595.