Il s'agit d'une question générale et de longue date dans les statistiques élémentaires (et non une question sur JMP lui-même). Cela vient de mon intérêt personnel. Ce n'est pas une question des utilisateurs.
Est-ce toujours le test de Wilcxon recommandé pour les données non-nomales aux États-Unis ?
Je vois la suggestion suivante dans le portail de connaissances statistiques de JMP.
https://www.jmp.com/en_ch/statistics-knowledge-portal/t-test/two-sample-t-test.html
Que faire si vous savez que les mesures sous-jacentes ne sont pas distribuées normalement ? Ou que se passe-t-il si la taille de votre échantillon est grande et que le test de normalité est rejeté ? Dans cette situation, vous pouvez utiliser des analyses non paramétriques. Ces types d'analyses ne reposent pas sur l'hypothèse que les valeurs des données proviennent d'une distribution spécifique. Pour le test t à deux échantillons, le test de somme des rangs de Wilcoxon est un test non paramétrique qui pourrait être utilisé.
Je pense personnellement que le test de Welch convient également pour les données de non-normalité.
- Si la taille de l'échantillon est grande (ou pas petite), le test de Welch est robuste à la non-normalité.
- Si vous êtes intéressé par le déplacement des paramètres de localisation, le test de Wilcoxon nécessite l'hypothèse plus stricte (c'est-à-dire, F_1(x) = F_2(x-thêta)) pour les distributions de population que le test de Welch.
J'aimerais moi-même recommander le test de Welch (sans tester les variances ou la normalité) si les analystes ne s'intéressent qu'à la différence des moyennes et qu'ils ne se soucient pas des autres paramètres.
Et je recommande le test t de Student si votre H0 est "deux distributions sont identiques" ou si votre expérience est une expérience de contrôle randomisée (car le test t standard est une approximation du test de permutation avec l'utilisation du score de données. Voir Lehmann Tester des hypothèses statistiques ).
Le test de Wilcoxon est souvent décrit comme un test non paramétrique, mais il dépend fortement des hypothèses sur les distributions de population si votre H0 est "Deux paramètres de localisation sont égaux". En ce sens, lorsque votre H0 est "H0 : deux paramètres de localisation sont égaux", le test de Welch est plus non paramétrique et le test de Wilcoxon est plus paramétrique.
Chez Bradley Joens-san Conception d'expériences livre, je pense que la robustesse du test t de Welch est soulignée, et ils recommandent une transformation variable (dans le domaine de la fabrication).
Si vous souhaitez également lire un critique philosophique pour ce type de décisions "organigramme" ou "livre de recettes", voir le chapitre 1 dans McElreath, R. (2020: 2e éd.) Repenser les statistiques (2e éd.), Presse CRC.
