我的策略是通过直方图、qq 图和 Shapiro Wilk 检验在两组之间进行统计测试之前查看数据的分布。如果数据大致正常，我会使用适当的测试（t 检验、方差分析、线性回归等）。如果不是，我使用适当的非参数方法（Mann-Whitney 检验、Kruskal-Wallis、Bootstrap 回归模型）。

什么是“大约正常”？您是否需要通过假设检验才能充分接近正态？

一个问题是，当样本量增加时，这些正态性检验变得更加强大（更有可能拒绝正态性），甚至可以在偏差非常小的情况下拒绝。具有讽刺意味的是，对于较大的样本量，与正态性的偏差不太重要。

如果样本 > 30 或 > 50，我的同事不会查看分布，他会自动假设它是正常的，并引用中心极限定理来使用 t 检验或 ANOVA。

如果 n > 30，我们是否总是假设正态分布？

说“总是”有点强烈。同样，说可以假设正态性也是不正确的（相反，我们可以说偏离正态性的影响可以忽略不计）。

Morten W Fagerland 的文章解决的问题不是 t 检验是否在 n>30 时有效（在 n=30 时效果不佳，这也可以在图中看到，并且它需要像他们的表一样的大量数字它使用样本大小 1000）。问题是像 Wilcoxon-Mann-Whitney (WMW) 这样的非参数检验不是正确的解决方案，这是因为 WMW 正在回答一个不同的问题。WMW 检验不是均值或中位数相等的检验。

在文章中没有说“从不”使用 WMW。或者总是使用 t 检验。

WMW 测试是一个糟糕的测试吗？不，但它并不总是 t 检验的合适替代方案。WMW 检验对于分析有序数据最有用，也可用于较小的研究中，在某些条件下，以比较均值或中位数。

根据情况，一个人可能总是使用 t 检验而不分析正态性，因为可能发生分布的经验。当然，可以考虑示例/情况，其中 30 或 50 样本中的 t 检验功能要弱得多（p 值太高），但如果您从不处理这些示例，那么您始终可以使用 t 检验。

别的东西。

如果您的样本量为 1000，那么您可能会认为不仅平均值很重要，而且您可以查看的不仅仅是平均值的差异。在这种情况下，WMW 测试实际上并不是一个坏主意。

随着样本量的增加，数据不会接近正态分布。

相反，更接近正态分布的是样本均值或样本总和。

如果人口分布非常不平衡，那么您可能需要远远超过而事实并非如此，那么也许就足够了。$30,$$10$