Ai aplicat testul Shapiro-Wilk pe datele lucrării, iar rezultatul arată W = 0,91, p = 0,001. Condiția de normalitate e încălcată. Primul impuls e să intri în panică, să renunți la testul t planificat și s-o iei de la capăt. N-o face. Un rezultat Shapiro-Wilk semnificativ e un punct de plecare, nu o fundătură. Ai cel puțin patru drumuri solide înainte, iar cel pe care îl alegi ține de volumul eșantionului, de cât de asimetrică e distribuția și de ce test aveai de gând să aplici.
Prima reacție: uită-te la date înainte să reacționezi
O valoare p singură nu-ți spune cât de departe de normal sunt datele. Testul Shapiro-Wilk e sensibil. Cu un eșantion de 400 sau mai mult, va semnala distribuții care se abat doar puțin de la clopotul perfect. O asimetrie de 0,3 într-un eșantion de 500 dă adesea p sub 0,05, deși un asemenea grad de asimetrie n-ar afecta în mod real un test t sau o ANOVA. Înainte de orice decizie, deschide histograma și graficul Q-Q.
În histogramă, cauți asimetrie evidentă, aglomerări la un capăt sau mai multe vârfuri. Suprapui o curbă normală în SPSS (dublu-clic pe grafic, apoi Elements > Show Distribution Curve) și vezi cât se depărtează barele de ea. În graficul Q-Q, verifici dacă punctele urmează linia diagonală de referință. Câteva puncte care se abat la capete e ceva obișnuit și, de regulă, inofensiv. O curbură sistematică sau o formă de S pe tot graficul semnalează o problemă reală. Pentru o descriere detaliată a felului în care citești graficele astea, vezi ghidul despre testarea normalității.
Verifică și valorile de asimetrie și boltire (skewness și kurtosis). Curran, West și Finch (1996) consideră acceptabile pentru metodele parametrice o asimetrie sub 2 în valoare absolută și o boltire sub 7. Dacă valorile tale stau confortabil în limitele astea, iar graficul Q-Q arată rezonabil, rezultatul Shapiro-Wilk semnificativ poate fi un artefact al eșantionului mare, nu o amenințare reală pentru analiză.
Varianta 1: transformă variabila
Transformările aplică o funcție matematică fiecărui scor, astfel încât distribuția rezultată să se apropie de normal. Merg cel mai bine când abaterea de la normalitate are un tipar clar și constant, ca asimetria spre dreapta sau spre stânga. Fiecare tip de asimetrie cere altă transformare.
Pentru date asimetrice spre dreapta (o coadă lungă întinsă spre valorile mari, obișnuită la timpi de reacție, venituri sau concentrații de biomarkeri), transformarea logaritmică e prima alegere. În SPSS: COMPUTE log_variabila = LG10(variabila_initiala). Dacă apar valori zero, adaugi întâi o constantă: COMPUTE log_variabila = LG10(variabila_initiala + 1). Transformarea prin radical se ocupă de asimetria moderată spre dreapta, acolo unde logaritmul e prea agresiv: COMPUTE radical_variabila = SQRT(variabila_initiala). Pentru date asimetrice spre stânga, reflectezi variabila înainte s-o transformi. Găsești valoarea maximă, adaugi 1 și scazi fiecare scor: COMPUTE reflectat = (VALOARE_MAX + 1) - variabila_initiala. Apoi aplici logaritmul sau radicalul pe variabila reflectată. Ține minte că reflectarea inversează sensul scalei, așa că valorile transformate mari corespund acum unor scoruri inițiale mici. Ține cont de asta când interpretezi.
Iată greșeala pe care o vedem cam la unul din șase proiecte cu transformări: studentul aplică logaritmul și trece la testul parametric fără să verifice dacă transformarea a funcționat. Reia mereu testul Shapiro-Wilk pe variabila transformată și uită-te la noul grafic Q-Q. Dacă distribuția a rămas neconformă după transformare, n-ai rezolvat problema. Treci atunci la un test neparametric.
Varianta 2: folosește teste neparametrice
Testele neparametrice nu presupun nicio formă anume a distribuției. Lucrează pe ranguri în loc de valori brute, ceea ce le face imune la asimetrie și la valori extreme. Prețul e o scădere modestă de putere față de testele parametrice atunci când datele chiar sunt normale, de regulă între 5% și 15%, în funcție de test și de volumul eșantionului.
Corespondența e simplă. Dacă aveai planificat un test t pentru eșantioane independente, aplici testul Mann-Whitney. Dacă aveai un test t pentru eșantioane perechi, folosești testul Wilcoxon pentru rangurile cu semn. ANOVA unifactorială devine Kruskal-Wallis. ANOVA cu măsurători repetate devine testul Friedman. Corelația Pearson devine corelația Spearman pe ranguri. În SPSS, toate stau la Analyze > Nonparametric Tests > Legacy Dialogs.
Raportezi mediane și intervale intercuartilice în loc de medii și abateri standard. Rezultatul Mann-Whitney, de pildă, ar trebui să apară în stil APA așa: „Testul Mann-Whitney a arătat că scorurile de anxietate au fost semnificativ mai mari în grupul clinic (Mdn = 38) decât în grupul de control (Mdn = 29), U = 187, z = -2,61, p = 0,009, r = 0,31.” Mărimea efectului o calculezi singur, cu r = z / √N. Cu z = -2,61 și N = 70, iese r = 2,61 / 8,37 = 0,31, un efect mediu după reperele lui Cohen (0,10 mic, 0,30 mediu, 0,50 mare).
Varianta 3: bootstrap
Bootstrapul merge pe alt drum cu totul. În loc să presupună o distribuție teoretică, construiește una empirică: extrage din datele tale, cu revenire, mii de eșantioane. Fiecare reeșantion produce o statistică de test, iar mulțimea acestor statistici formează o distribuție pe care procedura o folosește ca să calculeze intervale de încredere și valori p.
În SPSS (versiunea 21 și mai nou), bootstrapul e o bifă în majoritatea procedurilor de analiză. Mergi la Analyze > Compare Means > Independent-Samples T Test, apeși butonul Bootstrap, bifezi Perform bootstrapping și pui numărul de eșantioane la cel puțin 1.000. Pentru o lucrare, 5.000 de reeșantioane dau estimări mai stabile și tot rămâne rapid pe un calculator obișnuit, sub 10 secunde pentru majoritatea seturilor de date sub 1.000 de cazuri. Rezultatul cu bootstrap îți dă intervale de încredere corectate și accelerate (BCa) care nu depind de normalitate.
Bootstrapul e util mai ales la regresie și la analizele de mediere, unde alternativele sunt mai puțin bine puse la punct. Dacă profesorul coordonator sau comisia sunt familiarizați cu el, poate fi drumul cel mai curat. Academic Stats Agent poate rula analize cu bootstrap pe datele tale și poate produce automat intervale de încredere gata de publicat.
Varianta 4: aplică totuși testul parametric
Varianta asta surprinde mulți studenți, dar are temei teoretic solid. ANOVA și testul t se sprijină amândouă pe distribuția de eșantionare a mediei. Teorema limită centrală garantează că această distribuție se apropie de normal pe măsură ce eșantionul crește, indiferent de forma datelor brute. Glass, Peckham și Sanders (1972) au arătat că testul F din ANOVA păstrează rate corecte de eroare de tip I sub abateri considerabile de la normalitate, atunci când grupurile sunt egale ca mărime și fiecare are cel puțin 25-30 de observații.
Condițiile contează. Grupuri egale (sau aproape egale) ca mărime — asta e cerința-cheie. Când grupurile sunt echilibrate, atât testul t, cât și ANOVA tolerează bine distribuțiile asimetrice. Când grupurile diferă mult ca mărime, iar datele sunt și asimetrice, rata reală de eroare de tip I se poate abate de la nivelul nominal de 0,05, ajungând uneori la 0,08 sau mai sus. La fel, distribuțiile cu cozi grele (boltire peste 3 sau 4) pot umfla ratele de eroare chiar și la eșantioane moderate. Regula cea mai sigură: dacă ai peste 30 de participanți pe grup, grupuri egale ca mărime și asimetria sub aproximativ 1,5 în valoare absolută, poți aplica testul parametric și notezi abaterea în capitolul de rezultate.
Ghid de decizie: potrivește soluția la problemă
Ce abordare e potrivită ține de două lucruri: cât de gravă e abaterea și cât de mare e eșantionul. Tabelul de mai jos leagă acești factori de o strategie recomandată.
| Gravitatea abaterii | Eșantion mic (n < 30 pe grup) | Eșantion mediu (30-100 pe grup) | Eșantion mare (n > 100 pe grup) |
|---|---|---|---|
| Ușoară (asimetrie < 1, Q-Q aproape de diagonală) | Test neparametric | Aplici testul parametric | Aplici testul parametric |
| Moderată (1 ≤ asimetrie < 2, oarecare abatere Q-Q) | Test neparametric | Încerci transformarea; dacă eșuează, neparametric | Aplici testul parametric (grupuri egale) sau bootstrap |
| Severă (asimetrie ≥ 2, aglomerări la capete, cozi grele) | Test neparametric | Test neparametric sau bootstrap | Test neparametric sau bootstrap |
Câteva precizări la citirea tabelului. „Aplici testul parametric” presupune grupuri aproximativ egale ca mărime, după rezultatele lui Glass, Peckham și Sanders (1972). Dacă grupurile diferă cu mai mult de un raport de 2:1 (să zicem, n = 45 față de n = 90), cobori cu un rând în gravitate și urmezi acea recomandare. Bootstrapul e trecut lângă testele neparametrice pentru cazurile moderate spre severe fiindcă oferă un teren de mijloc flexibil: păstrezi cadrul parametric inițial, dar relaxezi cerința asupra distribuției. Despre cum alegi, în principiu, între abordarea parametrică și cea neparametrică, ai un ghid separat despre teste parametrice și neparametrice.
Cum raportezi abaterea de la condiție
Oricare drum ai alege, documentează-l în capitolul de rezultate. O singură frază ajunge când abaterea e ușoară: „Testele Shapiro-Wilk au indicat abateri de la normalitate în grupul de tratament (W = 0,93, p = 0,02); totuși, cu n = 48 pe grup și o asimetrie de 0,74 în valoare absolută, s-a păstrat ANOVA unifactorială, dată fiind rezistența ei cunoscută la abateri ușoare în planuri echilibrate (Glass și colab., 1972).” Când treci la un test neparametric, explici de ce: „Dată fiind abaterea semnificativă de la normalitate în grupul B (W = 0,85, p sub 0,001, asimetrie = 1,82), s-a folosit un test Mann-Whitney în locul testului t pentru eșantioane independente.” Raportarea asta transparentă îi arată comisiei că ai înțeles condițiile și ai făcut o alegere deliberată, nu că ai trecut peste problemă. Pentru mai multe repere despre cum structurezi aceste justificări, vezi articolul despre scrierea capitolului de rezultate.
De reținut: un rezultat Shapiro-Wilk semnificativ nu descalifică automat testele parametrice. Uită-te întâi la histogramă și la graficul Q-Q, apoi consultă tabelul de decizie. Pentru eșantioane mici, treci la alternativele neparametrice. Pentru eșantioane mari, cu asimetrie ușoară și grupuri egale, testul parametric e de regulă în regulă. Transformările merg, dar trebuie verificate. Bootstrapul se descurcă cu abaterile moderate fără să-ți schimbe cadrul de analiză. Raportează întotdeauna abaterea și motivează decizia.