W twojej sytuacji test t będzie prawdopodobnie solidny pod względem poziomu błędu typu I, ale nie poziomu błędu typu II. Prawdopodobnie uzyskałbyś więcej mocy poprzez: a) test Kruskala-Wallisa lub b) transformację normalizującą przed testem t.
Opieram ten wniosek na dwóch badaniach Monte Carlo. W pierwszym ( Khan i Rayner, 2003 ) przekrzywienie i kurtoza zostały pośrednio zmanipulowane za pomocą parametrów rodziny dystrybucji g-i-k, i uzyskana moc została zbadana. Co ważne, moc testu Kruskala-Wallisa była mniej uszkodzona przez nienormalność, szczególnie dla n> = 15.
Kilka ostrzeżeń / kwalifikacji dotyczących tego badania: Moc była często niszczona przez wysoką kurtozę, ale mniej na nią wpływał pochyłość. Na pierwszy rzut oka ten wzór może wydawać się mniej istotny w twojej sytuacji, biorąc pod uwagę, że zauważyłeś problem z przekrzywieniem, a nie kurtozą. Założę się jednak, że nadmiar kurtozy jest również ekstremalny w twoim przypadku. Pamiętaj, że nadmiar kurtozy będzie co najmniej tak wysoki jak pochylenie ^ 2 - 2. (Niech nadmiar kurtozy będzie równy czwartemu znormalizowanemu momentowi minus 3, tak aby nadmiar kurtozy = 0 dla rozkładu normalnego.) Zauważ też, że Khan i Rayner ( 2003) zbadali ANOVA z 3 grupami, ale ich wyniki prawdopodobnie uogólnią się na test t dla dwóch próbek.
Drugie istotne badanie ( Beasley, Erikson i Allison, 2009) zbadał zarówno błędy typu I, jak i typy II przy różnych rozkładach niestandardowych, takich jak chi-kwadrat (1) i Weibull (1, 5). W przypadku próbek o wielkości co najmniej 25 test t odpowiednio kontrolował poziom błędu typu I na poziomie lub poniżej nominalnego poziomu alfa. Moc była jednak najwyższa w teście Kruskala-Wallisa lub w odwrotnej normalnej transformacji opartej na rangie (wyniki Bloma) zastosowanej przed testem t. Beasley i współpracownicy generalnie opowiadali się przeciwko podejściu normalizującemu, ale należy zauważyć, że podejście normalizujące kontrolowało poziom błędu typu I dla n> = 25, a jego moc czasami nieznacznie przekraczała moc testu Kruskala-Wallisa. Oznacza to, że podejście normalizujące wydaje się obiecujące dla twojej sytuacji. Szczegółowe informacje można znaleźć w tabelach 1 i 4 w ich artykule.
Referencje:
Khan, A., i Rayner, GD (2003) . Odporność na nienormalność typowych testów dla problemu lokalizacji wielu próbek. Journal of Applied Mathematics and Decision Sciences, 7 , 187-206.
Beasley, TM, Erickson, S. i Allison, DB (2009) . Coraz częściej stosuje się odwrotne transformacje normalne oparte na rangach, ale czy są one uzasadnione? Behavioural Genetics, 39 , 580-595.