粗略地说，如果测试或估计量仍然相当好，即使在实践中没有满足其理论发展所需的一些假设，它也被称为“稳健”。评论：

• 如果您需要对因子的每个级别具有不同方差的数据进行单因素（“单向”）方差分析，那么最好使用单向方差分析的一些变体，例如oneway.test在不需要相等的 R 中差异。正如您所说，如果因子水平之间的方差也不同，那么每个因子的重复次数差异很大的“合并”t 检验或简单的单向方差分析可能会出现问题。

• 有些文本似乎说 2 样本 t 检验和单向方差分析适用于非正态数据，只要每组重复次数超过 30 次。但如果组内的数据高度偏斜，则情况可能并非如此。

• 如果 2 样本 t 或单因素 ANOVA 的水平远非正常，但组间差异主要是位置的“偏移”（形状或方差几乎没有变化），那么最好使用 Welch t 检验或 Kruskal -Wallis 非参数检验，分别代替 t 或 ANOVA。

注意：我可以举一个例子来说明，如果你能说出你特别感兴趣的测试以及你不确定的假设。

当我们说一个程序是“稳健的”或“对[特定的假设失败]具有稳健性”时，我们的意思是当基本假设没有得到满足时，该程序仍然可以很好地工作。因此，在目前的情况下，引用的陈述告诉您，在规定的条件下，即使模型中的正态性或同方差性条件不是数据的真实反映，ANOVA 仍然可以很好地工作。

我们必须具体说明索赔是什么。在这种情况下，仅仅挥手并说一些像测试“效果很好”这样的模糊的话是不够的——这不是为了发表声明而进行的检查。

这两个陈述都专门关于显着性水平的准确性（又名“水平鲁棒性”）。

也就是说，声称 I 型错误率与您在这些情况下（违反）假设下计算/选择的错误率相差不大。

然而，即使在这种有限的意义上，这些一般性的主张也太模糊而无法在实践中使用。例如，在第一种情况下，您并不真正知道对于您的目的而言多大足够大，因为您不知道人口分布（如果您知道，则根本不需要考虑这个问题！）。

当然，显着性水平并不是测试的唯一考虑因素。当然，我希望人们关心权力。然而，可悲的是，当像这样的常见陈述很少伴随着仅仅提及权力会发生什么时，重复这些陈述的人在实践中非常关心的直接证据是薄弱的。

在第一种情况下，当您查看相对效率（达到给定功率水平所需的相对样本大小）时，大样本不会为您节省 - 而且大样本的相对效率可能会任意低 - 所以如果您的样本量很大，因为您的预期效果量很小，您可能会遇到一些潜在的严重问题。