Κατά την στατιστική ανάλυση δεδομένων, σε όλα τα παρασκευαστικά επίπεδα εργασιών-μελετών (ανακοινώσεις συνεδρίων, δημοσιεύσεις σε ιατρικά περιοδικά, διατριβές κλπ), παρατηρείται το εξής φαινόμενο: ο ερευνητής, μόλις διαπιστώνει την μη κανονικότητα της κατανομής των δεδομένων του, εγκαταλείπει την παραμετρική μέθοδο και συνεχίζει την ανάλυσή του με μη παραμετρικές μεθόδους.
Αυτό είναι ένα από τα
μεγαλύτερα σφάλματα, σε μία στατιστική ανάλυση, διότι η χρήση μη παραμετρικών δοκιμασιών συνεπάγεται, πάντα, απώλεια και ποιοτική αλλοίωση της πληροφορίας που κρύβουν τα δεδομένα. Αυτό σημαίνει ότι το τελικό συμπέρασμα είναι, στατιστικώς, μη αποδεκτό.
Τι πρέπει να κάνει, λοιπόν, ο ερευνητής; Εάν δεν διαπιστώνει κανονικότητα στην κατανομή των δεδομένων του, πρέπει
οπωσδήποτε να εφαρμόσει όλους τους δυνατούς συναρτησιακούς μετασχηματισμούς (το SPSS διαθέτει περισσότερες από 70 μαθηματικές συναρτήσεις, για μετασχηματισμό δεδομένων). Εάν και τότε διαπιστώσει μη κανονικότητα, αναγκαστικά(!!!), κάνει χρήση μη παραμετρικών δοκιμασιών παράλληλα, όμως, με χρήση προσομοιωτικής μεθόδου Bootstrapping.
Επειδή, όμως, το νόημα της ρύσης "τα αγαθά κόποις κτώνται" έχει σχεδόν διαγραφεί από τον μοντέρνο "ερευνητή" που το μόνο για το οποίο κοπιάζει είναι η δόξα, η έδρα, η χρηματοδότηση και το χειροκρότημα, έχουμε κατακλυστεί από μυριάδες ανούσιες, πλήρεις λανθασμένων συμπερασμάτων, εργασίες και μελέτες.