这是基本统计中的一个普遍且长期存在的问题（而不是关于 JMP 本身的问题）。 它来自我的个人兴趣。 这不是来自用户的问题。
在美国是否仍建议对非正态数据进行 Wilcxon 检验？
我在 JMP 的统计知识门户中看到以下建议。
https://www.jmp.com/en_ch/statistics-knowledge-portal/t-test/two-sample-t-test.html
如果您知道基础测量值不是正态分布的怎么办？ 或者，如果您的样本量很大并且正态性检验被拒绝怎么办？ 在这种情况下，您可以使用非参数分析。 这些类型的分析不依赖于数据值来自特定分布的假设。 对于双样本 t 检验，Wilcoxon 秩和检验是一种可以使用的非参数检验。
我个人认为 Welch 检验对于非正态数据也可以。
- 如果样本量很大（或不小），则 Welch 检验对非正态性具有稳健性。
- 如果您对位置参数的移动感兴趣，Wilcoxon 检验需要比 Welch 检验更严格的人口分布假设（即 F_1(x) = F_2(x-theta)）。
如果分析师只对均值差异感兴趣，而不关心其他参数，我本人会推荐 Welch 检验（不检验方差或正态性）。
如果您的 H0 是“两个分布相同”或者您的实验是随机对照实验（因为标准 t 检验是使用数据评分的排列检验的近似值），我建议您进行学生 t 检验。 见莱曼的检验统计假设).
Wilcoxon 检验通常被描述为非参数检验，但如果您的 H0 是“两个位置参数相等”，它在很大程度上取决于人口分布的假设。 从这个意义上说，当您的 H0 是“H0：两个位置参数相等”时，Welch 的检验更加非参数化，Wilcoxon 的检验更加参数化。
在 Bradley Joens-san 的实验设计本书，我认为强调了 Welch 的 t 检验的稳健性，并且他们推荐变量转换（在制造领域）。
如果您还想阅读有关此类“流程图”或“食谱”决策的哲学评论家，请参阅 McElreath,R.（2020 年：第 2 版）中的第 1 章。统计反思（第 2 版）， CRC出版社。
