我有一个实验产生的结果（因变量）没有通过正态性检验，因此我正在使用非参数检验来检验假设。我的 DV 是连续的，而我的因素（自变量）是有序的或名义的。我一直在使用 Kruskal-Wallis 测试和 Friedman 测试（使用 Matlab）。大多数时候我只对测试 2 个 IV 的显着效果感兴趣，尽管有时我测试 3 个。
我想知道我的 IV 之间的 DV 是否有任何显着的交互作用。通常我会使用 2-way ANOVA 来做到这一点，但是考虑到非正态分布，这是不合适的。尽管非正态性，我不想使用我的 IV 的转换，也不想继续使用 ANOVA。
我怎样才能找到哪些交互作用是显着的？
我可以使用什么非参数检验？
希望有人可以提供帮助。
缺口
非参数测试可能不如参数测试强大，因此需要更大的样本量。这很烦人，因为如果您的样本量很大，则样本均值将按中心极限定理近似正态分布，因此您不需要非参数测试。
查看广义线性模型，其中最小二乘法和泊松是特例。我从来没有找到一个能很好地解释这一点的文本；尝试与某人谈论它。
如果您愿意，请查看非参数方法，但我有一种预感，除非您使用序数数据或大量非常奇怪的分布数据，否则它们在这种情况下不会对您有太大帮助。
我有同样的问题并进行了一些研究。我遇到了一些似乎提供解决方案的文本，但我必须承认我直到现在才认真应用它们。
至少对于 1. 您似乎依赖于足够大的样本量。他们分析了每个治疗有 38,00 到 190,000 个观察值的数据集。如果您正在使用来自实验室的实验数据并且来自行为领域，那么这可能不是很有帮助。但是，我发现他们对交互效果的分析，尤其是他们的图形解释，非常生动和直观。
2. 正文讨论了 3 中讨论的方法之一。我已经有一段时间没有阅读后一篇论文了，但如果我没记错的话，作者提出了一些方法来以一种实用的方式非参数地分析交互。正如概率论逻辑所说，人们经常批评交互的非参数测试缺乏力量。然而，Sawilowsky (1990) 指出，“审查表明这些新技术稳健、强大、通用且易于计算。” 另一方面，文字很旧；）
我只知道名称的其他方法是有限混合模型和潜在类回归模型。两者中的一个是另一个的特殊形式，但我不记得是哪一个。
希望这可以帮助。