我不会说经典的一个样本（包括成对的样本）和两个样本的等方差t检验确实已经过时了，但是有很多替代品具有优良的性能，在许多情况下，应该使用它们。
我也不会说对大型样本快速执行Wilcoxon-Mann-Whitney测试（甚至是排列测试）的能力是最近才出现的，我在30多年前作为一名学生就经常这样做，而这样做的能力那时已经有很长时间了。
尽管编写置换测试（甚至是从头开始）要比曾经曾经的容易得多，但即使那样也并不困难（如果您曾经编写过一次代码，则可以在不同情况下进行修改以提供不同的统计信息） ，不同的数据等-很简单，通常不需要编程背景）。†
因此，这里有一些替代方法，以及它们可以提供帮助的原因：
Welch-Satterthwaite-当您不确定方差将接近相等时（如果样本大小相同，则均方差假设并不重要）
Wilcoxon-Mann-Whitney-如果尾巴正常或比正常重，则非常好，尤其是在对称的情况下。如果尾巴趋向于接近正常值，则对装置进行置换测试将提供稍微更大的功效。
稳固的t检验 -在正常情况下，它们具有多种能力，但在较重的尾部或偏斜的替代品下也能很好地发挥作用（并保持良好的能力）。
GLM-适用于计数或连续右偏的情况（例如伽马）；设计用于处理方差与均值相关的情况。
在存在特定形式的依存关系的情况下，随机效应或时间序列模型可能会有用
贝叶斯方法，自举和大量其他重要技术可以为上述思想提供类似的优势。例如，贝叶斯方法是完全有可能，可以占污染过程，处理计数或偏斜数据的模型，并处理相关的具体形式，都在同一时间。
尽管存在许多方便的替代方法，但只要种群与正常值相距不远（例如，尾巴很重），旧的股票标准等方差两样本t检验通常可以在大型，等量样本中表现良好。 / skew），我们几乎可以独立。
这些替代方案在许多情况下很有用，在这些情况下，我们可能对普通的t检验不那么有信心...尽管如此，当满足或接近满足t检验的假设时，通常情况下效果良好。
如果分布趋于不偏离正常值太远（较大的样本允许更多的回旋余地），那么Welch是明智的默认选择。
尽管排列检验非常出色，但在假设成立的情况下，与t检验相比，功率没有损失（以及直接推论利息量的有用好处），Wilcoxon-Mann-Whitney可以说是一个更好的选择尾巴可能很重；只要稍加假设，WWW就能得出与均值漂移有关的结论。（还有其他原因可能会比置换测试更受欢迎）
[如果您知道要处理的是计数，等待时间或类似类型的数据，则GLM路线通常是明智的。如果您对潜在的依赖形式有所了解，那么也很容易处理，应考虑潜在的依赖关系。]
因此，尽管t检验肯定不会成为过去，但在应用t检验时，您几乎总是可以做得差不多，在没有采用t检验时，您可能会收获很多。就是说，我大致同意那篇关于t检验的观点……在很多时候，您甚至可能在收集数据之前就应该考虑一下自己的假设，如果真的没有预期的话要忍受，使用t检验通常不会造成任何损失，只需简单地不做这个假设即可，因为替代方法通常效果很好。
如果要在收集数据方面遇到很大麻烦，则毫无理由不花一点时间真诚地考虑最好的方法来推论。
请注意，我通常建议不要对假设进行显式测试-不仅要回答错误的问题，而且要这样做，然后根据对假设的拒绝或不拒绝进行选择分析，从而影响两种测试选择的性质；如果您不能合理地安全地做出假设（或者是因为您对流程足够了解，可以进行假设，或者因为该过程对您的情况不敏感），通常来说，最好使用该过程那没有假设。
†如今，它是如此简单以至于变得微不足道。这是针对R中均值的两个样本比较的置换检验和随机检验：
# set up some data
x <- c(53.4, 59.0, 40.4, 51.9, 43.8, 43.0, 57.6)
y <- c(49.1, 57.9, 74.8, 46.8, 48.8, 43.7)
xyv <- stack(list(x=x,y=y))$values
nx <- length(x)
# do sample-x mean for all combinations for permutation test
permmean = combn(xyv,nx,mean)
# do the equivalent resampling for a randomization test
randmean <- replicate(100000,mean(sample(xyv,nx)))
# find p-value for permutation test
left = mean(permmean<=mean(x))
# for the other tail, "at least as extreme" being as far above as the sample
# was below
right = mean(permmean>=(mean(xyv)*2-mean(x)))
pvalue_perm = left+right
"Permutation test p-value"; pvalue_perm
# this is easier:
# pvalue = mean(abs(permmean-mean(xyv))>=abs(mean(x)-mean(xyv)))
# but I'd keep left and right above for adapting to other tests
# find p-value for randomization test
left = mean(randmean<=mean(x))
right = mean(randmean>=(mean(xyv)*2-mean(x)))
pvalue_rand = left+right
"Randomization test p-value"; pvalue_rand
（所得p值分别为0.538和0.539；相应的普通两个样本t检验的p值为0.504，Welch-Satterthwaite t检验的p值为0.522。）
请注意，对于置换测试的组合，计算代码分别为1行，p值也可以在1行中完成。
使它适应执行置换检验或随机检验并产生输出的功能，就像t检验一样，将是一件小事。
这是结果的显示：
# Draw a display to show distn & p-vale region for both
opar <- par()
par(mfrow=c(2,1))
hist(permmean, n=100, xlim=c(45,58))
abline(v=mean(x), col=3)
abline(v=mean(xyv)*2-mean(x), col=3, lty=2)
abline(v=mean(xyv), col=4)
hist(randmean, n=100, xlim=c(45,58))
abline(v=mean(x), col=3)
abline(v=mean(xyv)*2-mean(x), col=3, lty=2)
abline(v=mean(xyv), col=4)
par(opar)