नहीं।
जबकि पैरामीट्रिक परीक्षण अधिक शक्तिशाली हो सकते हैं, हमेशा ऐसा नहीं होता है। जब यह मामला नहीं है तो यह आमतौर पर उन स्थितियों में होता है जहां आपको पैरामीट्रिक परीक्षण नहीं चलाने चाहिए।
लेकिन, भले ही आप समान वितरण वाले सामान्य वितरण से सभ्य आकार के नमूने एकत्र कर रहे हों, जहां पैरामीट्रिक परीक्षण में उच्च शक्ति है, यह गारंटी नहीं देता है कि किसी विशेष प्रयोग के लिए एक गैर-महत्वपूर्ण पैरामीट्रिक परीक्षण का मतलब गैर-महत्वपूर्ण गैर-पैरामीटर परीक्षण है। यहां एक सिमुलेशन है जो सामान्य वितरण से बस यादृच्छिक नमूनाकरण का उपयोग करता है और पाता है कि उस समय के 1.8% के बारे में जब पी> 0.05 एक टी-परीक्षण के लिए है कि पी <0.05 एक विलकॉक्सन परीक्षण के लिए।
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
आप ध्यान दे सकते हैं कि, इस अनुकरण में, पैरामीट्रिक परीक्षण की शक्ति नॉनपैमेट्रिक परीक्षण से अधिक है (हालांकि, वे समान हैं)।
sum(Y[1,] < 0.05) / nsim #t-test power
sum(Y[2,] < 0.05) / nsim #wilcox.test power
लेकिन, जैसा कि ऊपर दिखाया गया है, इसका मतलब यह नहीं है कि उन सभी मामलों में जहां पैरामीट्रिक परीक्षण एक प्रभाव खोजने में विफल रहता है कि गैरपारंपरिक परीक्षण भी विफल हो जाता है।
आप इस सिमुलेशन के साथ खेल सकते हैं। N को काफी बड़ा करें, 1000 को कहें, और प्रभाव के आकार को बहुत छोटा करें, 0.02 कहें (आपको बहुत सारे नमूनों की कम शक्ति की आवश्यकता है जहाँ परीक्षण विफल हो जाता है)। आप 1000 की एक एन के साथ बहुत अधिक गारंटी दे सकते हैं कि किसी भी नमूने को गैर-सामान्यता के लिए अस्वीकार नहीं किया जाएगा (निरीक्षण द्वारा, मूर्खतापूर्ण परीक्षण नहीं) या संदिग्ध आउटलेयर है। फिर भी अभी भी, कुछ पैरामीट्रिक परीक्षण गैर महत्वपूर्ण हैं, जबकि गैरपरंपरागत परीक्षण महत्वपूर्ण हैं।
आप हंटर और मई (1993) को भी देखना चाहेंगे।
हंटर, एमए और मई, आरबी (1993)। पैरामीट्रिक और गैरपारंपरिक परीक्षणों के विषय में कुछ मिथक। कनाडाई मनोविज्ञान, 34 (4), 384-389।