稳健性在统计中具有多种含义，但都意味着对所使用数据类型的变化具有一定的弹性。这听起来可能有点模棱两可，但那是因为稳健性可以指对变化的不同类型的不敏感。例如：

• 对异常值的鲁棒性
• 对非正态性的鲁棒性
• 对非常数方差（或异方差）的鲁棒性

在测试的情况下，稳健性通常是指在发生这种变化的情况下测试仍然有效。换句话说，结果是否显着只有在满足测试假设的情况下才有意义。当这些假设被放宽（即不那么重要）时，该测试被认为是稳健的。

测试的功效是在存在真正差异时检测显着差异的能力。特定测试和模型与各种假设一起使用的原因是这些假设简化了问题（例如，需要更少的参数来估计）。测试做出的假设越多，它的稳健性就越低，因为必须满足所有这些假设才能使测试有效。

另一方面，假设较少的测试更稳健。然而，鲁棒性通常以功率为代价，因为要么使用来自输入的更少信息，要么需要估计更多参数。

稳健
的 A检验可以说是稳健的，因为虽然它假设正态分布的组，但它仍然是比较近似正态分布的组的有效检验。$t$

当检验的假设时，Wilcoxon 检验的效力较低，但它更稳健，因为它不假设潜在分布，因此对非正态数据有效。它的功效通常较低，因为它使用数据的等级，而不是原始数字，因此基本上丢弃了一些信息。$t$

不稳健
检验是方差 的比较，但它对非正态性非常敏感，因此对近似正态性无效。换句话说，检验并不稳健。$F$$F$

“稳健的统计检验”没有正式的定义，但对于这意味着什么，有一种普遍的共识。维基百科网站对此有一个很好的定义（根据统计数据而不是测试本身）：

稳健统计是对从广泛的概率分布中提取的数据具有良好性能的统计，尤其是对于非正态分布。

https://en.wikipedia.org/wiki/Robust_statistics