Esta es una pregunta personal sobre un tema estadístico general. No se trata de una pregunta sobre JMP formulada por usuarios. Quizás no sea apropiado hacer este tipo de pregunta aquí, pero no encuentro un lugar mejor dentro del grupo de JMP para consultarla. La pregunta está estrechamente relacionada con mi publicación de hace dos años (¿ Explicación sencilla y honesta de la prueba t de dos muestras? - Comunidad de usuarios de JMP ).
¿Todavía se utilizan los análisis estadísticos mediante diagramas de flujo en su país?
Entre los años 60 y 90, vimos en muchos libros de cocina algunas reglas rituales sagradas e inviolables para realizar pruebas estadísticas. (Creo que muchos de ellos fueron escritos por personas que no eran estadísticos, como investigadores médicos, sociólogos, psicólogos, etc.). Por ejemplo, el ritual para comparar dos muestras independientes era como el siguiente.
(1) Realizar una prueba de normalidad para cada grupo.
(2) Si una de las dos pruebas es significativa, realice la prueba de Wilcoxon.
(3) Si no, realice una prueba homogénea para las varianzas.
(4) Si es significativo, realice la prueba de Welch.
(5) Si no, realice la prueba t de Student.
Estos rituales de diagramas de flujo han sido fuertemente criticados por muchos estadísticos.
La crítica para todos los procedimientos generales de diagramas de flujo está escrita, por ejemplo, en las páginas 1 a 4 de McElreath, R. (2020:2.ª ed.) Statistical Rethinking: A Bayesian Course with Examples in R and Stan (2.ª ed.), CRC Press.
En relación con las pruebas de Welch, Student y Wilcoxon, pruebe la siguiente indicación en Copilot, ChartGPT, etc. Hay demasiados documentos, por lo que no puedo seleccionar uno.
----------------------
¿Podrías buscar algunos documentos para criticar el procedimiento del diagrama de flujo, realizar la prueba de Wilcoxon si la prueba de normalidad es significativa, realizar la prueba de Welch si la prueba de homogeneidad de varianzas es significativa, y realizar la prueba t de Student si no lo es?
Y, ¿podrías también buscar algunos documentos para explicar que la prueba t de Student es aproximadamente equivalente a una prueba de permutación y se puede utilizar como una prueba no paramétrica para probar H0:F1(y) = F2(y) para todo y (aunque como prueba no paramétrica, la prueba t de Student no se convierte en una prueba para H0:mu1=mu2)?
----------------------
En lo que respecta a la prueba de normalidad preliminar antes de las pruebas t, John Sall-san escribió sobre la robustez de la prueba t hace unos 20 años en el artículo de JMPer Cable con un título único.
Leptokurtosifobia: Miedo irracional a lo no normal
En lo que respecta a la prueba preliminar de homogeneidad de varianzas antes de las pruebas t, la famosa frase de GEP Box, "Hacer la prueba preliminar de varianzas es como salir al mar en un bote de remos para averiguar si las condiciones son lo suficientemente tranquilas para que un transatlántico zarpe del puerto", se cita en la ayuda del procedimiento GLM de SAS ( Centro de ayuda de SAS: Homogeneidad de la varianza en modelos unidireccionales ).
En lo que respecta al análisis de datos del DOE, GEP Box también afirma que “bloquear lo que se pueda y aleatorizar lo que no se pueda” puede justificar aproximadamente un análisis “como si” se cumplieran los supuestos estándar.
En Japón, creo que muchos no estadísticos, blogueros o "influencers" siguen copiando y pegando el análisis estadístico mediante diagramas de flujo en su juego de teléfono descompuesto en internet. Aunque me temo que mi perspectiva es sesgada, creo que muy pocos estadísticos japoneses siguen recomendando este método.
Vi la presentación de David Meintrup-san en Discovery Summit Europe 2026. Me sorprende mucho que el diagrama de flujo que se muestra arriba se presente como el análisis estadístico de un experto . También me preocupa que LearnBot y Assistant hayan "aprendido" este tipo de prácticas de memes de internet en artículos de blogs escritos por personas que no son estadísticos.
