ตัวอย่างเช่นคนมักเลือกที่จะใช้การทดสอบแบบไม่มีพารามิเตอร์เมื่อการทดสอบอื่น ๆ แสดงให้เห็นว่าส่วนที่เหลือจะไม่กระจายตามปกติ วิธีการนี้ดูเหมือนจะได้รับการยอมรับอย่างกว้างขวาง แต่ดูเหมือนจะไม่เห็นด้วยกับประโยคแรกในวรรคนี้ ฉันแค่หวังที่จะได้รับการชี้แจงเกี่ยวกับปัญหานี้
ใช่ผู้คนจำนวนมากทำสิ่งนี้และเปลี่ยนการทดสอบครั้งที่สองเป็นแบบที่สามารถจัดการกับ heteroskedasticity เมื่อพวกเขาปฏิเสธความเท่าเทียมกันของความแปรปรวนและอื่น ๆ
เพียงเพราะบางสิ่งเป็นเรื่องธรรมดาไม่ได้แปลว่าฉลาด
อันที่จริงในบางสถานที่ (ฉันจะไม่ตั้งชื่อสาขาวิชาที่กระทำผิดร้ายแรงที่สุด) การทดสอบสมมติฐานอย่างเป็นทางการจำนวนมากนี้ขึ้นอยู่กับการทดสอบสมมติฐานอย่างเป็นทางการอื่น ๆ
ปัญหาในการทำคือโพรซีเดอร์ของคุณไม่มีคุณสมบัติที่ระบุบางครั้งอาจไม่ปิด (ในทางกลับกันสมมติว่าสิ่งต่าง ๆ เช่นนั้นโดยไม่พิจารณาใด ๆ เลยสำหรับการละเมิดที่รุนแรงที่อาจเกิดขึ้นอาจเลวร้ายยิ่งขึ้น)
เอกสารหลายฉบับแนะนำว่าสำหรับกรณี heteroskedastic คุณจะทำได้ดีกว่าเพียงแค่ทำราวกับว่าความแปรปรวนไม่เท่ากับการทดสอบและทำอะไรบางอย่างเมื่อถูกปฏิเสธ
ในกรณีปกติมันชัดเจนน้อยกว่า ในตัวอย่างขนาดใหญ่อย่างน้อยที่สุดในหลาย ๆ กรณีภาวะปกติไม่ใช่สิ่งที่สำคัญ (แต่กระทบกระเทือนโดยมีตัวอย่างจำนวนมากการทดสอบภาวะปกติของคุณมีแนวโน้มที่จะปฏิเสธได้มาก) ตราบใดที่การไม่ปฏิบัติตามกฎเกณฑ์นั้นไม่ธรรมดา ข้อยกเว้นหนึ่งอย่างสำหรับช่วงการคาดการณ์ที่คุณต้องการสมมติฐานการกระจายของคุณใกล้เคียงกับด้านขวา
ในส่วนหนึ่งปัญหาคือการทดสอบสมมติฐานตอบคำถามที่แตกต่างกว่าที่จะต้องตอบ คุณไม่จำเป็นต้องรู้จริงๆ 'เป็นข้อมูลที่ปกติจริง' (เกือบทุกครั้งมันจะไม่เป็นเรื่องปกติที่จะมาก่อน ) คำถามคือ 'ขอบเขตของความไม่เป็นมาตรฐานจะส่งผลกระทบอย่างไรต่อการอนุมานของฉัน'
ปัญหาที่สองมักจะเป็นอิสระจากขนาดตัวอย่างหรือดีขึ้นจริง ๆ ด้วยการเพิ่มขนาดตัวอย่าง - แต่การทดสอบสมมติฐานมักจะปฏิเสธในขนาดตัวอย่างที่มีขนาดใหญ่
มีหลาย ๆ สถานการณ์ที่มีขั้นตอนฟรีจัดจำหน่ายที่แข็งแกร่งหรือแม้กระทั่งที่มีความใกล้ชิดที่มีประสิทธิภาพได้อย่างเต็มที่แม้ที่ปกติ (และอาจมีความห่างไกลในหลายกรณีก็จะดูเหมือนโง่ที่จะไม่ใช้ - มีประสิทธิภาพมากขึ้นในบางขาเจียมเนื้อเจียมตัวเป็นธรรมจากมัน) วิธีการที่ชาญฉลาดเหมือนกัน