เลขที่
ในขณะที่การทดสอบแบบพารามิเตอร์สามารถมีประสิทธิภาพมากกว่าซึ่งไม่ได้เป็นเช่นนั้นเสมอไป เมื่อไม่เป็นเช่นนั้นก็มักจะอยู่ในสถานการณ์ที่คุณไม่ควรทำการทดสอบแบบพารามิเตอร์
แต่แม้ว่าคุณจะเก็บตัวอย่างขนาดที่เหมาะสมจากการแจกแจงแบบปกติที่มีความแปรปรวนเท่ากันซึ่งการทดสอบพาราเมตริกมีพลังงานสูงขึ้น แต่ก็ไม่รับประกันว่าสำหรับการทดสอบใด ๆ โดยเฉพาะการทดสอบพาราเมตริกที่ไม่ได้มีนัยสำคัญ นี่คือการจำลองที่ใช้การสุ่มตัวอย่างแบบสุ่มจากการแจกแจงแบบปกติและพบว่าประมาณ 1.8% ของเวลาที่ p> 0.05 สำหรับการทดสอบทีที่ p <0.05 สำหรับการทดสอบวิลคอกซัน
nsim <- 10000
n <- 50
cohensD <- 0.2
Y <- replicate(nsim, {
y1 <- rnorm(n, 0, 1); y2 <- rnorm(n, cohensD, 1)
tt <- t.test(y1, y2, var.equal = TRUE)
wt <- wilcox.test(y1, y2)
c(tt$p.value, wt$p.value)})
sum(Y[1,] > 0.05 & Y[2,] < 0.05) / nsim
คุณอาจสังเกตว่าในการจำลองนี้พลังของการทดสอบแบบพาราเมตริกนั้นมีค่ามากกว่าการทดสอบแบบไม่มีพารามิเตอร์ (แม้ว่ามันจะคล้ายกัน)
sum(Y[1,] < 0.05) / nsim #t-test power
sum(Y[2,] < 0.05) / nsim #wilcox.test power
แต่ดังที่แสดงไว้ข้างต้นไม่ได้หมายความว่าในทุกกรณีที่การทดสอบแบบพารามิเตอร์ไม่สามารถหาผลกระทบที่การทดสอบแบบไม่ใช้พารามิเตอร์ก็ล้มเหลวเช่นกัน
คุณสามารถเล่นกับการจำลองนี้ ทำให้มีขนาดค่อนข้างใหญ่พูด 1,000 และทำให้ขนาดเอฟเฟกต์มีขนาดเล็กลงมากขึ้นกล่าวว่า 0.02 (คุณต้องการพลังงานต่ำเพื่อให้มีตัวอย่างจำนวนมากที่การทดสอบล้มเหลว) คุณสามารถรับประกันได้มากกับ n ของ 1,000 ที่ไม่มีตัวอย่างใดที่จะถูกปฏิเสธสำหรับความไม่ปกติ (โดยการตรวจสอบไม่ใช่แบบทดสอบโง่) หรือมีค่าผิดปกติที่น่าสงสัย แต่ถึงกระนั้นการทดสอบแบบพารามิเตอร์บางตัวก็ไม่ได้มีนัยสำคัญในขณะที่การทดสอบแบบไม่มีพารามิเตอร์นั้นมีความสำคัญ
คุณอาจต้องการดู Hunter & May (1993)
ฮันเตอร์, MA, & พฤษภาคม, RB (1993) ตำนานบางอย่างเกี่ยวกับการทดสอบตามพารามิเตอร์และไม่ใช่พารามิเตอร์ จิตวิทยาแคนาดา, 34 (4), 384-389