Czy istnieje alternatywa dla testu Kołmogorowa-Smirnowa dla powiązanych danych z korektą?

Mam garść danych z dwóch próbek (kontrolnej i poddanej obróbce), z których każda zawiera kilka tysięcy wartości, które mają zostać poddane testom istotności w R. Teoretycznie wartości powinny być ciągłe, ale z powodu zaokrąglenia wykonanego przez oprogramowanie pomiarowe nie są i mają więzi. Rozkłady są nieznane, a kształty rozkładów kontrolnych i leczonych mogą być różne, dlatego chciałbym zastosować test nieparametryczny, aby porównać, czy różnica między próbkami jest znacząca dla 10 różnych czynników.

Myślałem o zastosowaniu testu Kołmogorowa-Smirnowa, ale tak naprawdę nie nadaje się do więzi. Niedawno natknąłem się na nową bibliotekę R o nazwie Matching, która wykonuje bootstrapową wersję testu KS i toleruje więzi. Czy to naprawdę dobry pomysł, czy powinienem zamiast tego użyć innego testu? I czy muszę dostosować wartość p?

Zamiast korzystać z testu KS, możesz po prostu użyć procedury permutacji lub ponownego próbkowania zaimplementowanej w oneway_testfunkcji coinpakietu. Spójrz na zaakceptowaną odpowiedź na to pytanie .

Aktualizacja : Mój pakiet afexzawiera funkcję compare.2.vectorsimplementującą permutację i inne testy dla dwóch wektorów. Możesz go pobrać z CRAN:

install.packages("afex")

Dla dwóch wektorów xi y(obecnie) zwraca coś takiego:

> compare.2.vectors(x,y)
$parametric
   test test.statistic test.value test.df       p
1     t              t     -1.861   18.00 0.07919
2 Welch              t     -1.861   17.78 0.07939

$nonparametric
             test test.statistic test.value test.df       p
1 stats::Wilcoxon              W     25.500      NA 0.06933
2     permutation              Z     -1.751      NA 0.08154
3  coin::Wilcoxon              Z     -1.854      NA 0.06487
4          median              Z      1.744      NA 0.17867

Wszelkie uwagi dotyczące tej funkcji są mile widziane.