我们知道，从形式上讲，测试的假设是无法测试的，因为如果我们根据测试结果选择要使用的测试，则得到的复合测试具有未知的属性（I 类和 II 类错误率）。我认为这就是为什么“六西格码”类型的统计方法（使用基于测试结果的决策树来选择要使用的测试）在专业统计学家中名声不佳的原因之一。

然而，对于现实世界的数据，我们经常会得到经典假设可能不成立的样本，因此我们需要以某种方式进行检查。那么，您在工作/研究中实际上是做什么的？执行非正式检查，例如查看数据的分布，并使用t-当经验分布似乎不太偏斜时进行测试？这是我看到的大部分时间都在做的事情。但是，只要我们根据这个“非正式测试”的结果做出决定，我们仍然会影响测试属性，当然如果我们不使用检查来做出决定，那么检查是没有用的，我们不应该浪费宝贵的时间去做。当然，您可以回答我，正式的测试属性被高估了，而在实践中我们不需要对此保持虔诚。这就是为什么我对你在实践中所做的事情感兴趣，而不仅仅是来自理论背景。

另一种方法是始终使用具有较少假设的测试。通常，我已经看到这种方法被认为是更喜欢非参数测试而不是参数测试，因为前者不假设测试统计数据来自由参数向量索引的一系列分布，因此应该更稳健（更少的假设）。这是真的吗？使用这种方法，我们不会在某些情况下冒险使用动力不足的测试吗？我不知道。是否有适用于应用统计的有用（可能很简单）参考，其中列出了要使用的测试/模型列表，作为经典测试（t 检验、卡方等）的更好替代品，以及何时使用它们？