Cuando utilizar pruebas parametricas y no parametricas segun spahiro wilks

Estas pruebas hacen menos supuestos sobre los datos. Recuerda que la normalidad es solo uno de los supuestos de las pruebas paramétricas. En estos casos, evalúa si la desviación es lo suficientemente grande como para invalidar las pruebas paramétricas.

Un p-valor alto sugiere normalidad, permitiendo el uso de pruebas paramétricas. Incluso pequeñas desviaciones pueden resultar en un p-valor significativo. Si tu objetivo es comparar medias y los datos son normales según Shapiro-Wilk, usa la prueba t. Visualiza tus datos con histogramas y diagramas Q-Q.

Estos gráficos pueden ayudarte a evaluar la normalidad visualmente. La decisión depende del resultado del test y su p-valor asociado. Si el test indica normalidad (p > 0.05), podemos proceder con pruebas paramétricas como la prueba t. Es esencial optar por métodos no paramétricos en estos casos.

Si ambos supuestos se cumplen (Shapiro-Wilk no significativo y varianzas homogéneas), las pruebas paramétricas son válidas. Aunque pueden ser menos potentes, son más robustas frente a violaciones de la normalidad. Por ejemplo, si los datos siguen una distribución exponencial, existen pruebas paramétricas específicas.

Considera también la posibilidad de transformar los datos para reducir el impacto de los valores atípicos. Considera el contexto de tu investigación. Si no, las no paramétricas brindan resultados confiables. Recuerda que cada variable debe cumplir con el supuesto de normalidad para usar pruebas paramétricas multivariadas.

Antes de usar ANOVA o regresión lineal, verifica la normalidad con Shapiro-Wilk. Shapiro-Wilk es una herramienta valiosa para decidir entre pruebas paramétricas y no paramétricas. Cuando el tamaño de la muestra es pequeño, el test de Shapiro-Wilk es especialmente útil.

No siempre es necesario recurrir a pruebas no paramétricas. Un p-valor bajo indica la necesidad de pruebas no paramétricas. El test de Shapiro-Wilk es sensible a desviaciones de la normalidad, especialmente con tamaños de muestra grandes. Estas pruebas no requieren supuestos de distribución.