這是基本統計中的一個普遍且長期存在的問題（而不是關於 JMP 本身的問題）。 它來自我的個人興趣。 這不是來自用戶的問題。
在美國是否仍建議對非正態數據進行 Wilcxon 檢驗？
我在 JMP 的統計知識門戶中看到以下建議。
https://www.jmp.com/en_ch/statistics-knowledge-portal/t-test/two-sample-t-test.html
如果您知道基礎測量值不是正態分佈的怎麼辦？ 或者，如果您的樣本量很大並且正態性檢驗被拒絕怎麼辦？ 在這種情況下，您可以使用非參數分析。 這些類型的分析不依賴於數據值來自特定分佈的假設。 對於雙樣本 t 檢驗，Wilcoxon 秩和檢驗是一種可以使用的非參數檢驗。
我個人認為 Welch 檢驗對於非正態數據也可以。
- 如果樣本量很大（或不小），則 Welch 檢驗對非正態性具有穩健性。
- 如果您對位置參數的移動感興趣，Wilcoxon 檢驗需要比 Welch 檢驗更嚴格的人口分佈假設（即 F_1(x) = F_2(x-theta)）。
如果分析師只對均值差異感興趣，而不關心其他參數，我本人會推薦 Welch 檢驗（不檢驗方差或正態性）。
如果您的 H0 是“兩個分佈相同”或者您的實驗是隨機對照實驗（因為標準 t 檢驗是使用數據評分的排列檢驗的近似值），我建議您進行學生 t 檢驗。 見萊曼的檢驗統計假設).
Wilcoxon 檢驗通常被描述為非參數檢驗，但如果您的 H0 是“兩個位置參數相等”，它在很大程度上取決於人口分佈的假設。 從這個意義上說，當您的 H0 是“H0：兩個位置參數相等”時，Welch 的檢驗更加非參數化，Wilcoxon 的檢驗更加參數化。
在 Bradley Joens-san 的實驗設計本書，我認為強調了 Welch 的 t 檢驗的穩健性，並且他們推薦變量轉換（在製造領域）。
如果您還想閱讀有關此類“流程圖”或“食譜”決策的哲學評論家，請參閱 McElreath,R.（2020 年：第 2 版）中的第 1 章。統計反思（第 2 版）， CRC出版社。
