Нет.
Хотя параметрические тесты могут быть более мощными, это не всегда так. Когда это не так, то обычно в ситуациях, когда вам не следует выполнять параметрические тесты.
Но даже если вы собираете образцы приличного размера из нормальных распределений с равной дисперсией, где параметрический тест имеет более высокую мощность, это не гарантирует, что для какого-либо конкретного эксперимента не значимый параметрический тест означает несущественный непараметрический тест. Вот симуляция, которая просто использует случайную выборку из нормальных распределений и обнаруживает, что примерно в 1,8% случаев, когда р> 0,05 для t-теста, что р <0,05 для теста Уилкоксона.
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
Вы можете заметить, что в этом моделировании мощность параметрического теста больше, чем непараметрического теста (хотя они похожи).
sum(Y[1,] < 0.05) / nsim #t-test power
sum(Y[2,] < 0.05) / nsim #wilcox.test power
Но, как показано выше, это не означает, что во всех случаях, когда параметрический тест не может найти эффект, что непараметрический тест также не проходит.
Вы можете играть с этим моделированием. Сделайте n достаточно большим, скажем, 1000, и уменьшите размер эффекта, скажем, 0,02 (вам нужно малое энергопотребление, чтобы иметь много образцов, где тест не пройден). При n = 1000 вы можете быть в значительной степени уверены, что ни один из образцов не будет отклонен из-за ненормальности (проверкой, а не глупым тестом) или с подозрительными выбросами. Тем не менее, некоторые из параметрических тестов оказываются несущественными, в то время как непараметрические тесты значимы.
Вы также можете посмотреть на Hunter & May (1993).
Hunter, MA & May, RB (1993). Некоторые мифы о параметрических и непараметрических критериях. Канадская психология, 34 (4), 384-389.