I din situasjon vil t-testen sannsynligvis være robust når det gjelder type I feilrate, men ikke Type II feilrate. Du vil sannsynligvis oppnå mer kraft gjennom enten a) en Kruskal-Wallis-test, eller b) en normaliserende transformasjon før en t-test.
Jeg baserer denne konklusjonen på to Monte Carlo-studier. I den første ( Khan & Rayner, 2003) ble skjevhet og kurtose indirekte manipulert via parametrene til g-og-k distribusjonsfamilien, og den resulterende kraften ble undersøkt. Det er viktig at Kruskal-Wallis-testens kraft ble mindre skadet av ikke-normalitet, spesielt for n> = 15.
Noen få forbehold / kvalifikasjoner om denne studien: Makt ble ofte skadet av høy kurtose, men det var mindre påvirket av skjevhet. Ved første øyekast kan dette mønsteret virke mindre relevant for situasjonen din, gitt at du bemerket et problem med skjev, ikke kurtose. Imidlertid satser jeg på at overflødig kurtose også er ekstrem i ditt tilfelle. Husk at overflødig kurtose vil være minst like høy som skjev ^ 2 - 2. (La overflødig kurtose være det 4. standardiserte øyeblikket minus 3, slik at overflødig kurtosis = 0 for en normalfordeling.) Merk deg også at Khan og Rayner ( 2003) undersøkte ANOVAer med 3 grupper, men resultatene deres vil sannsynligvis generalisere til en t-test med to prøver.
En annen relevant studie ( Beasley, Erikson, & Allison, 2009) undersøkte både type I- og type II-feil med forskjellige ikke-normale fordelinger, for eksempel en Chi-squared (1) og Weibull (1, .5). For prøvestørrelser på minst 25 kontrollerte t-testen tilstrekkelig Type I-feilrate på eller under det nominelle alfa-nivået. Effekten var imidlertid høyest med enten en Kruskal-Wallis-test eller med en rangbasert invers normal transformasjon (Blom-score) påført før t-testen. Beasley og kolleger argumenterte generelt mot den normaliserende tilnærmingen, men det bør bemerkes at den normaliserende tilnærmingen kontrollerte Type I-feilraten for n> = 25, og dens kraft oversteg noen ganger litt den for Kruskal-Wallis-testen. Det vil si at den normaliserende tilnærmingen virker lovende for din situasjon. Se tabell 1 og 4 i artikkelen for detaljer.
Referanser:
Khan, A., & Rayner, GD (2003). Robusthet til ikke-normalitet av vanlige tester for plasseringsproblemet med mange eksempler. Journal of Applied Mathematics and Decision Sciences, 7 , 187-206.
Beasley, TM, Erickson, S., & Allison, DB (2009). Rangbaserte inverse normale transformasjoner blir i økende grad brukt, men er de fortjent? Behavioral Genetics, 39 , 580-595.