Introduce tu W y tu p de SPSS, R o jamovi y te decimos si puedes asumir normalidad: qué significa W, por qué tu n cambia el veredicto y qué prueba usar luego.
Le das el estadístico de tu prueba de normalidad (Shapiro-Wilk o Kolmogorov-Smirnov), su valor p y el tamaño muestral, y te dice qué hacer: seguir con la prueba paramétrica, transformar los datos o pasarte a la alternativa no paramétrica. La decisión no sale solo del valor p, porque el valor p de un test de normalidad depende del tamaño de la muestra.
| Prueba | Cuándo |
|---|---|
| Shapiro-Wilk (W) | Recomendada para n < 50. Es la más potente para detectar desviaciones de la normalidad. |
| Kolmogorov-Smirnov (D) | Para muestras grandes. Menos potente que Shapiro-Wilk en general. |
Con n mayor de 200 los tests de normalidad son muy sensibles: desviaciones triviales e irrelevantes en la práctica producen valores p significativos. Un p ≤ .05 con n grande no es motivo suficiente para transformar los datos. Mira la magnitud real de la asimetría y la curtosis y el gráfico Q-Q: si la desviación no es extrema (asimetría menor que |2| y curtosis menor que |7|), las pruebas paramétricas aguantan.
| Paramétrica | Alternativa | En R |
|---|---|---|
| t de muestras independientes | U de Mann-Whitney | wilcox.test(x, y) |
| t pareada | Wilcoxon con signo | wilcox.test(x, y, paired=TRUE) |
| ANOVA | Kruskal-Wallis | kruskal.test(y ~ group, data) |
| Correlación de Pearson | Spearman | cor.test(x, y, method='spearman') |
| Regresión lineal | Regresión robusta o bootstrap | boot::boot(data, fn, R=5000) |
| Transformación | Cuándo | En R |
|---|---|---|
| Logarítmica | Asimetría positiva, varianza que crece con la media | log(x) |
| Raíz cuadrada | Conteos, asimetría positiva moderada | sqrt(x) |
| Inversa | Asimetría positiva severa | 1/x |
| Box-Cox | Búsqueda automática del lambda óptimo | MASS::boxcox(model) |