参数样本量计算和非参数分析

我很好奇，是否有人有特定的参考文献（文本或期刊文章）来支持医学文献中使用参数化方法（例如，假设正态分布和测量值有一定差异）执行样本量计算的惯例。当使用非参数方法进行主要试验结果的分析时。

例如：主要结果是服用某种药物后的呕吐时间，已知其平均值为20分钟（标准差为6分钟），但分布明显偏右。样本数量的计算是使用公式根据上面列出的假设进行的

$n(\text{per-group})=f(\alpha,\beta) \times (2\sigma^2 /(\mu_1 - \mu_2)^2 )$，

哪里 $f(\alpha, \beta)$ 根据所需的变化 $\alpha$ 和 $\beta$ 错误。

但是，由于分布的偏斜性，主要结果的分析将基于等级（非参数方法，例如Mann Whitney U检验）。

统计学家是否可以支持这种模式，还是应该进行非参数的样本量估算（以及如何进行估算）？

我的想法是，为了便于计算，可以进行上述练习。毕竟，样本量估算值仅仅是（已经做出了多个假设的估算值）所有这些估算值可能都略微（或非常不精确）。但是，我很想知道其他人的想法，特别是想知道是否有任何引用来支持这种推理方法。

非常感谢您的协助。

对我来说听起来很狡猾。非参数方法几乎总是比参数方法涉及更多的自由度，因此需要更多数据。在您的特定示例中，Mann-Whitney检验的功效低于t检验，因此对于相同的指定功效和大小，需要更多数据。

对任何方法（非参数方法或其他方法）进行样本量计算的一种简单方法是使用引导方法。

某些人似乎使用Pitman渐近相对效率（ARE）的概念来夸大通过使用样本量公式进行参数测试而获得的样本量。具有讽刺意味的是，为了进行计算，必须再次假设其分布...参见例如Mann-Whitney U检验的样本大小。文章结尾处的一些链接提供了一些指针，供您进一步阅读。